Thèse de Doctorat de HALIDOU MOUSSA Issoufou - Docx-2

BERCHAM INTERNATIONAL UNIVERSITY (BIU) : ESPAGNE
FACULTES DES ENTREPRISES & COMMUNICATION
DEPARTEMENT- SCIENCES FINANCIERES
Thèse de Doctorat
Réalisé par : HALIDOU MOUSSA Issoufou
Spécialité : Doctor PhD in Econometrics

Thème
P Performance scolaire en Mathématiques au Benin : Une

analyse multiniveau à partir des données du PASEC 2014
Date : Vendredi 22 Juillet 2022

Déclaration sur l’honneur :
Par la présente, je déclare être l’unique auteur de cette thèse dont
le contenu est le seul résultat de mes recherches.
Issoufou HALIDOU MOUSSA

DEDICACES
A ma chère épouse, KAKA DJIBRIL
Houdaïnath qui m’a soutenu et encouragé durant toutes ces années d’études.
Qu’elle trouve ici le témoignage de ma profonde reconnaissance.
A mes frères, mes sœurs et ceux qui ont partagé avec moi tous les moments
d’émotion lors de la réalisation de ce travail. Ils m’ont chaleureusement
supporté et encouragé tout au long de mon parcours.
A ma famille, mes proches et à ceux qui me donnent de l’amour et de la

vivacité.
A tous mes amis du Forum la LUMIERE qui m’ont toujours encouragé et ont
prié pour que ce travail puisse aller à terme, et à qui je souhaite plus de succès.
A tous mes enfants : Oumaïri, Houzéfi, Ziyadath, Chabiib et Hamdaane. Que

ce travail soit pour vous un exemple à dépasser.
1
1
REMERCI MENTS
La réalisation de cette thèse a été possible grâce au concours de plusieurs
personnes à qui je voudrais témoigner toute ma gratitude.
 Je voudrais tout d’abord adresser toute ma reconnaissance à toute l’équipe
de Bercham International University (BIU) pour leur franche collaboration et
leur disponibilité sans faille à répondre à toutes mes préoccupations sans
distinction aucune.
 Je désire aussi remercier les professeurs de BIU pour leurs conseils et leur
accompagnement pédagogiques, admirables, prompts et efficients.
 Je tiens à remercier spécialement toute l’équipe du Programme d’Analyse
des Systèmes Educatifs de la Conférence des ministres de l’éducation des Etats et
gouvernements de la francophonie (PASEC) qui n’ont ménagé aucun effort pour
me fournir toutes les données nécessaires à la réalisation de cette thèse de
doctorat et plus particulièrement à Monsieur Basile TANKEU qui m’a
directement envoyé ces données téléchargeables depuis Dakar au Sénégal.
 Je voudrais exprimer ma reconnaissance envers les amis et collègues qui
m’ont apporté leur soutien moral et intellectuel tout au long de ma démarche
i
Tél : +229 96422930
E-mail : [email protected]
SIGLES ET ABBREVIATIONS
BIU : Bercham International University
PhD: Doctor of Philosophy
PASEC: Programme d’Analyse des Systèmes Educatifs de la Conférence des
ministres de l’éducation des Etats et gouvernements de la francophonie
OCDE: Organisation de Coopération et de Développement Economiques
HLM: Modèle Linéaire Hiérarchique
PIB: Programme Intérieur Brut
CP : cours Préparatoire
CE1: Cours Elémentaire première année
CE2: Cours Elémentaire Deuxième année/
CM1 : Cours Moyen première année
CM2 : Cours Moyen Deuxième année
APC: Approche Par les Compétences
EPFI: Ecole Professionnelle Privée de Formation d’Instituteurs
PDDSE : plan Décennal de Développement du Secteur de l’Education
SCRP : Stratégie de Croissance pour la Réduction de la Pauvreté
CEP : Certificat d’Etude Primaire
MCAAT : Ministère de la Culture, de l’Artisanat, de l’Alphabétisation et du
Tourisme
MESTFP : Ministère des Enseignements Secondaire, Technique et de le
Formation Professionnelle
ii
Tél : +229 96422930
MEMP : Ministère des Enseignements Maternel et Primaire
GSM: Global System for Mobile communications
BTP: Bâtiment et Travaux Publics
Mds: Milliards
USD: United States Dollar
CFA: Communauté Financière Africaine
PAN/EPT: Plan d’Action National en faveur de l’Education Pour Tous
IEA : Association Internationale pour l’évaluation du rendement scolaire
PISA : Programme Internationale pour le Suivi des Acquis des élèves
iii
Tél : +229 96422930
LISTE DES FIGURES
Figures Titres Pages

1 Plan et structure de la recherche 6
2 Carte du Bénin avec ses douze départements et leur peuplement 9
: Répartition du budget alloué aux enseignements maternels et
3 19
primaires par nature des dépenses (2015)
4 différents types de recherches multiniveaux 23
5 Droites de régression des deux groupes 27
6 Régression de niveau 2 avec pentes constantes 28
7 Droites de régression des β0j sur Wj 29
8 Effet du centrage des variables 35
9 Forme schématique du modèle multiniveaux 48
10 L’âge de l’élève 49
11 Indice socioéconomique de la famille 51
12 Manque d'intérêt de la famille pour les études 53
13 Taille des classes 53
Indice des ressources pédagogiques des classes regroupées en
14 54
classe
15 Genre des enseignants 55
16 Âge des enseignants 55
17 Diagramme du Niveau académique des enseignants 56
18 Diplôme professionnelle des enseignants 57
19 Manque de motivation des enseignants 58
20 Indice de ressources pédagogiques de l’école 60
21 Indice des infrastructures 60
22 Indice de perception (par le maitre) des avantages sociaux 61
23 Les scores en Mathématiques 62
iv
Tél : +229 96422930
LISTE DES TABLEAUX
Tableau Titres Pages
1 Evolution des indicateurs au primaire de 2006 à 2015 15
Taux de redoublement par année et par département pour l’année scolaire
2 16
2013-2014 (en %)
Taux d’abandon par année et par département pour l’année scolaire 2013-
3 16
2014 (en %)
4 Evolution des ressources et dépenses de l’état de 2010 à 2015 18
Part des dépenses courantes du MEMP, sans les salaires, allouées aux
5 19
niveaux national, déconcentre et décentralisé en 2015 (en %).
6 Ratio élèves/maîtres 2013-2014 20
7 Statistiques de la vaviable exp_profess_enseig non désagrégée 25
8 Statistiques de la vaviable exp_profess_enseig désagrégée 25
9 Identifiants de la base 41
10 Les valeurs plausibles 41
11 Liste des variables individuelles, symboles et définitions 45
12 Liste des variables de l’environnement familial, symboles et définitions 46
13 Liste des variables contextuelles, symboles et définitions
14 Statistiques de la variable « Age » 50
15 Statistiques de la variable « Sexe » 50
16 Statistiques de la variable « Manque de motivation » 51
17 Statistiques de la variable « Posséder de livres à domicile » 52
18 Statistiques de la variable « Langue parlée à domicile » 52
19 Statistiques de la variable « Répétiteur à domicile » 52
20 Statistique de la variable « Manque d'intérêt de la famille pour les études 53
21 Indice des ressources pédagogiques des classes regroupées 54

22 Genre des enseignants 54
23 Histogramme des Âge des enseignants 55
24 Niveau académique des enseignants 56
v
Tél : +229 96422930
25 Statistique de la variable Diplôme professionnelle des enseignants 57
26 Statut des enseignants 57
27 Expérience professionnelle des maîtres 58
28 Manque de motivation des enseignants 58
29 Indice de ressources pédagogiques de l’école 59
30 Indice des infrastructures 60
31 Indice de perception (par le maitre) des avantages sociaux 61
32 Indice de perception (par le maitre) des conditions de travail 61
33 Estimations des paramètres de covariance de l’étape 1 63
34 Tableau des dimensions du modèle 64
35 Tableau des estimations des effets fixes du modèle 65
36 Estimations des effets fixes du modèle sans SES, Motiv_élèv et Doc_péd 65
37 Estimations des paramètres de covariance 66
38 Estimation des effets fixes 67
39 Dimensions du modèle 69
40 Estimation des paramètres fixes 69
41 Estimation des paramètres aléatoires 70
42 Estimation des paramètres 71
43 Estimation des paramètres avec exp_profess_enseig 71
vi
Tél : +229 96422930
RESUME
Afin de combler le vide théorique lié à la rareté des travaux sur le lien entre les variables
individuelles, familiales et du contexte scolaire, et la performance scolaire en mathématiques,
cette recherche s’est proposé d’étudier l’influence des variables individuelles et familiales sur
la performance scolaire en mathématiques d’une part et de prospecter l’effet des variables du
contexte scolaire sur la relation éventuelle entre performance scolaire et variables individuelles
et familiales. Pour ce faire, notre travail a été conduit en utilisant un échantillon comportant 164
écoles dans lesquelles 3033 élèves du CM2 ont été interrogés. Une modélisation multiniveau a
été utilisée pour l’estimation de notre modèle. Les résultats obtenus ont mis en évidence une
influence significative des variables : l’âge de l’enseignant, le niveau académique de
l’enseignant, la motivation des parents, le fait de parler le français en famille, le sexe de l’élève
et l’indice des infrastructures de l’école. Parallèlement, les résultats mis en évidence par cette
recherche pourraient constituer de réelles pistes de recherches approfondies pour les
autorités publiques en charge de l’éducation pour l’élaboration de politiques éducatives
ciblées, cohérentes et surtout stratégiques.
ABSTRACT
In order to fill the theoretical void related to the scarcity of works on the link between
individual, family and school context variables, and school performance in mathematics, this
research proposed to study the influence of individual and family variables. on school
performance in mathematics on the one hand and to explore the effect of school context
variables on the possible relationship between school performance and individual and family
variables. To do this, our work was conducted using a sample of 164 schools in which 3033
CM2 students were interviewed. A multilevel modeling was used for the estimation of our
model. The results obtained highlighted a significant influence of the variables: the age of the
teacher, the academic level of the teacher, the motivation of the parents, the fact of speaking
French in the family, the gender of the student and school infrastructure index. At the same
time, the results highlighted by this research could constitute real avenues of in-depth
research for the public authorities in charge of education for the development of targeted,
coherent and above all strategic educational policies.
Mots-clés : Performance en mathématiques ; variables individuelles; variables familiales ;
variables du contexte scolaire ; modélisation multiniveau.
Keywords: Mathematics performance; individual variables; family variables; school context
variables; multilevel modeling.
vii
Tél : +229 96422930
SOMMAIRE
DEDICACES ......................................................................................................................................... 1
REMERCI MENTS ............................................................................................................................... i
SIGLES ET ABBREVIATIONS ...........................................................................................................ii
LISTE DES TABLEAUX ......................................................................................................................v
RESUME ............................................................................................................................................... vii
SOMMAIRE ........................................................................................................................................ viii
INTRODUCTION GENERALE .......................................................................................................... 1
1. Contexte de la recherche ............................................................................................................... 1
2. Revue de littérature ....................................................................................................................... 2
3. Objectifs de la recherche............................................................................................................... 4
4. Intérêt de la recherche .................................................................................................................. 4
5. Plan de la recherche ...................................................................................................................... 5
PREMIERE PARTIE: APERÇU GENERAL DU BENIN A TRAVERS SON

SYSTEME EDUCATIF ET PRESENTATION DES MODELES LINEAIRES
HIERARCHIQUES (HLM).................................................................................................................... 7
CHAPITRE 1 : LE BENIN ET SON SYSTEME EDUCATIF ......................................................... 8
1.1 Introduction ....................................................................................................................................... 8
1.2 Présentation politique et géographique du Benin........................................................................... 8
1.3 Le climat et l’hydrographie .............................................................................................................. 9
1.4 La situation économique ................................................................................................................. 10
1.5 Présentation du système éducatif Béninois ................................................................................... 11
1.6 Quelques statistiques ....................................................................................................................... 15
1.7 Ressources allouées au secteur de l’éducation .............................................................................. 18
1.8 Conclusion ........................................................................................................................................ 21
CHAPITRE 2 : PRINCIPES ET ILLUSTRATION DES MODELES LINEAIRES

HIERARCHIQUES (HLM) ............................................................................................................... 22
2.1 Introduction ....................................................................................................................................... 22
viii
Tél : +229 96422930
2.2 Recherches multiniveaux ................................................................................................................... 22
2.3 Problèmes rencontrés dans la structure des données ...................................................................... 24
2.4 Logique des HLM................................................................................................................................ 26
2.5 Estimation des effets aléatoires et des effets fixes dans les HLM ..................................................... 29
2.6 Taille des échantillons ........................................................................................................................ 32
2.7 Décisions à prendre lors de la réalisation d’un HLM ......................................................................... 32
2.8 Lecture des résultats : tests statistiques............................................................................................ 36
2.9 Conclusion .......................................................................................................................................... 36
DEUXIEME PARTIE: PRESENTATION: ...................................................................................... 37
 DU PASEC ET DE LA BASE DES DONNEES PASEC 2014 ................................................ 37
 DES RESULTATS, INTERPRETATIONS, DISCUSSIONS ................................................. 37
CHAPITRE 3 : BASE DES DONNEES DE LA RECHERCHE (PASEC2014) ............................ 38
3.1 Introduction ....................................................................................................................................... 38
3.2 Présentation du PASEC ...................................................................................................................... 38
3.3 Structure de la base de données ....................................................................................................... 39
3.4 Variables des bases de données de 6ème année ............................................................................. 40
3.5 Choix des variables du modèle ......................................................................................................... 44
CHAPITRE 4 : PRESENTATION, INTERPRETATION ET DISCUSSION DES

RESULTATS ....................................................................................................................................... 49
4.1 Introduction ....................................................................................................................................... 49
4.2 Statistiques descriptives .................................................................................................................... 49
4.3 Estimations des modèles multiniveaux et analyse des Résultats ...................................................... 62
4.4 Interprétations et discussions des résultats du modèle estimé ........................................................ 73
4.5 Conclusion .......................................................................................................................................... 76
CONCLUSION GENERALE............................................................................................................. 78
REFERENCES BIBLIOGRAPHIQUES .......................................................................................... 80
ANNEXES ............................................................................................................................................... I
TABLE DES MATIERES .............................................................................................................. XXXII
ix
Tél : +229 96422930
INTRODUCTION GENERALE
1. Contexte de la recherche
Dans tous les pays du monde, la qualité de l’éducation détermine celle du capital humain,
indicateur du niveau de développement et facteur essentiel pour la croissance (Romer (1986),
Lucas (1988)). Par la propagation d’externalités positives, l’éducation promouvoit l’essor de la
productivité, l’attrait des investissements étrangers, avec les transferts de technologies que cela
suppose. Les efforts fournis dans le domaine de l’éducation visent dans beaucoup de pays, après
la généralisation de l’enseignement, à contribuer à l’amélioration du rendement scolaire des
élèves. En affectant à l’éducation beaucoup des ressources humaines et financières, les pays
cherchent ainsi à doter leur jeunesse de compétences pour participer activement au
développement économique et social. Plus généralement, les préoccupations relatives à la
qualité de l’éducation concernent tous les pays de la planète (pays avancés et ceux en
développement). Au Benin, plusieurs efforts ont été consentis pour améliorer significativement
le niveau de l’éducation. Ces efforts s’inscrivent dans le cadre d’une réforme du système
éducatif qui remonte à 1990 et qui propose plusieurs actions à mener à différents niveaux pour
une refonte profonde des processus d’éducation et de formation. Cette réforme a subi quelques
réaménagements et innovations et continue de le subir dans le seul but de booster le rendement
scolaire.
Aujourd’hui, suite à plusieurs années de réformes consécutives dans le système éducatif, le Benin
a réalisé quelques progrès, en témoignent l’évolution des taux de scolarisation, les taux de
réussite aux différents examens, l’effort budgétaire consenti pour le secteur de l’éducation, et la
participation du pays, depuis quelques années dans des enquêtes internationales d’évaluation des
acquis scolaires telle que le PASEC. Toutefois, cette avancée notable réalisée ne peut être tenu
pour définitivement acquis. En effet, les résultats des enquêtes PASEC montrent une réelle
progression de la performance des écoles béninoises, mais qui reste en deçà d’une bonne
performance internationale. Sur le plan interne, le rendement scolaire reste en deçà des moyens
et ressources mobilisés. Les faibles performances scolaires des élèves, en mathématiques sont
tributaires de plusieurs facteurs qui accusent ce retard. Dans ce contexte, et dans sa vision
stratégique pour l’éducation (2018-2030) le Benin tente toujours d’appréhender et de mettre le
doigt sur les axes d’amélioration les plus efficaces pour son système d’éducation, dont les
intrants sont aussi variés que complexes, tout en gardant pour objectif l’amélioration et la
consolidation des acquis scolaires dans toutes les écoles. C’est dans cette logique que s’inscrit le
thème de cette recherche qui, sur la base de l’enquête PASEC 2014, tentera d’analyser les
1
Tél : +229 96422930
facteurs qui influencent les performances scolaires en mathématiques des élèves de la sixième
année du primaire.
2. Revue de littérature
Plusieurs études portant sur la performance scolaire ont eu recours à une « fonction de
production en éducation ». Des nombreux facteurs (qui constituent des inputs) combinés avec
des séries d’activités et de pratiques, produisent un rendement scolaire (output). D’après ces
études, les inputs de la fonction de production en éducation sont répartis en trois catégories de
variables. La première concerne les caractéristiques individuelles des élèves telles que le sexe,
l’âge, l’intelligence, la motivation, la perception de soi, etc. La deuxième catégorie d’inputs est
relative aux variables liées à l’environnement familial des élèves. Cette catégorie est
composée du niveau d’instruction des parents, la disponibilité des biens d’équipement et du
matériel pédagogique au sein du ménage, la langue pratiquée au sein de la famille, la taille de
la famille, etc. Enfin, les variables liées au contexte scolaire prennent en compte les
caractéristiques de l’enseignant (formation, motivation…), celles de l’école telles que la taille
des classes, les équipements et pratiques pédagogiques…etc. Ces variables peuvent en effet
influer significativement les performances des élèves. Les résultats auxquels ont abouti les
recherches sur les déterminants de la performance scolaire ne font pas cependant l’unanimité.
Coleman et al (1966) indiquent que ce sont les caractéristiques du milieu familial des élèves et
non les ressources mises à la disposition des écoles qui jouent un rôle important dans
l’explication du rendement scolaire. Parmi les variables du milieu familial, les chercheurs
accordent une grande importance au niveau d’instruction de la mère (Mingat et Perrot (1980),
Cooksey (1981), Duru-Bellat (2003), Diallo (2001)). Ces chercheurs ont démontré que les
résultats scolaires sont meilleurs chez les enfants dont les parents sont instruits. Hijri,
Montmarquette et Mourji (1995) ont trouvé des résultats nuancés dans le cas du Maroc;
l’éducation de la mère n’a pas un pouvoir explicatif significatif des performances scolaires des
enfants. Cela tient au fait que sur l’échantillon étudié (dans une grande ville, Rabat en 1993),
les femmes ayant un niveau d’éducation étaient facilement engagées dans la vie professionnelle
et confiaient le suivi et l’accompagnement de leurs enfants à des aides ménagères, souvent
analphabètes.
La disponibilité des biens d’équipement au sein du ménage apparaît également significative
dans l’explication de la performance scolaire. Dans l’ensemble des pays de l’OCDE, la
possession de divers biens matériels (bureau, ordinateur, dictionnaire…) est corrélée
positivement et significativement au rendement scolaire (OCDE, 2001). Par contre l’effet des
ressources de l’école sur la réussite scolaire est faible ; à peine plus de 1 % de la variance
2
Tél : +229 96422930
expliquée (Hanuschek (1979, 1986)). De plus, à ce niveau, les résultats sont souvent
contradictoires.
Contrairement aux résultats trouvés par Coleman et al (1966), dans une étude menée dans
plusieurs pays développés, Cherkaoui (1979) montre l’importance des variables scolaires. Sans
nier l’effet de l’environnement familial, car les enfants issus des milieux aisés s’inscrivent
souvent dans les meilleures écoles, cet auteur insiste sur l’effet du type d’établissement et du
processus d’évaluation sur la performance scolaire des élèves. Généralement, les « effets
établissements » varient fortement d’une recherche à l’autre. Ainsi, Bressoux (1994) relève que
les résultats de recherches au niveau international montrent que les « effets établissements »
expliquent entre 2 et 13 % de la variance des scores entre les élèves, alors que pour Duru-Bellat
(2003) la part de ces effets porte sur 8 à 15 %. Parmi les facteurs liés au contexte scolaire, les
chercheurs insistent généralement sur l’importance des caractéristiques organisationnelles des
écoles d’une part, et la formation et la motivation des enseignants d’autre part.
De nombreuses recherches ont montré l’importance des variables individuelles dans
l’explication de la performance scolaire. Dans une étude menée au Togo, Jarousse et Mingat
(1992) ont trouvé que les variables individuelles des élèves contribuent pour près de 57,5 % de
la variance expliquée, alors que celles liées à l’environnement familial ne représentent que 10,2
%. Dans le même sens, les chercheurs insistent sur l’effet prépondérant du fonctionnement
intellectuel des enfants sur leur réussite scolaire. Gilly (1969) précise même que, de toutes les
formes d’intelligence, la forme verbale est celle qui permet d’établir le meilleur pronostic de la
réussite aussi bien au niveau primaire que dans l’enseignement secondaire. De plus, les
corrélations trouvées entre des tests d’intelligence et la réussite scolaire à l’école primaire se
situent entre 0,70 à 0,75. Au Maroc, Hijri et al. (1995) ont constaté que le fonctionnement
intellectuel, estimé à partir du résidu d’une équation expliquant le rendement scolaire de la 5e
année du primaire, joue un rôle essentiel dans l’explication du rendement au baccalauréat. En
plus du fonctionnement intellectuel, les chercheurs insistent sur les autres caractéristiques
individuelles (âge, sexe, motivation, etc.).
Au Benin, la question de la performance scolaire est d’actualité, et surtout celle liée aux
Mathématiques. Vu l’importance de cette matière dans le cursus scolaire des élèves au Benin,
il urge d’identifier les causes de la baisse du niveau des élèves afin d’y apporter des approches
de solution. D’où l’intérêt de chercher à répondre à la question centrale : Est-ce que la
performance des élèves en fin de scolarité du primaire et les variables individuelles et
familiales des élèves sont-elles en relation ? Si oui, est-ce que la relation entre la performance
3
Tél : +229 96422930
des élèves en fin de scolarité du primaire et les variables individuelles et familiales des élèves
dépendent-elles des variables du contexte scolaire?
Ainsi, vu les différentes relations existantes entre performance scolaire, les facteurs individuels
des élèves, les facteurs liés à leurs familles et le contexte scolaire des écoles, nous abordons
notre question centrale sous les angles ci-après :
 Existe-t-il une relation significative entre les variables individuelles et familiales des
élèves et leur performance en Mathématiques ?
 La relation éventuelle entre la performance des élèves en Mathématiques en fin de
scolarité du primaire et les variables individuelles et familiales des élèves dépend-t-elle
des variables du contexte scolaire?
Enfin, notre recherche a pour but de montrer que tout comme des variables individuelles,
certaines variables de contexte scolaire ont un effet significatif sur la performance scolaire des
élèves en Mathématiques au Benin et de trouver parmi ces variables lesquelles ont plus d’effet
sur la performance scolaire en mathématiques. Pour cela, quels objectifs cherchons-nous à
atteindre ?
3. Objectifs de la recherche
Ce travail se donne comme objectif général, d’étudier l’effet des variables individuelles,
familiales et du contexte scolaire sur la performance des élèves en fin de scolarité du primaire.
Et plus spécifiquement notre recherche se focalisera sur :
 L’étude d’une relation entre les variables individuelles et familiales des élèves et leur
performance en Mathématiques
 Le rôle que jouent les variables de contexte scolaire dans la relation entre les variables
individuelles et familiales des élèves et leur performance en Mathématiques.
4. Intérêt de la recherche
Cette recherche contribue à enrichir la littérature liée aux études sur la performance scolaire des
élèves en mathématiques dans le contexte béninois. Elle apporte une bonne compréhension des
spécificités de la performance scolaire en lien avec les caractéristiques individuelles, familiales
et de contexte scolaire. Les travaux portant sur les pays en développement restent peu nombreux
dans le domaine de l’éducation en utilisant une modélisation multiniveau. L’intérêt théorique
de cette thèse réside dans le fait qu’elle vise à identifier les caractéristiques individuelles,
familiales et de contexte scolaire qui contribuent mieux à la formation de la performance des
élèves en fin de scolarité du primaire en Mathématiques.
Cette étude peut aussi avoir comme intérêt la stimulation des responsables en charge de
l’éducation à améliorer leurs pratiques quotidiennes pour booster la performance scolaire.
4
Tél : +229 96422930
5. Plan de la recherche
Pour répondre à la question centrale de cette recherche, ce travail est réalisé en deux
parties :
Nous présentons dans la première partie le Benin et son système éducatif d’une part et
l’approche théorique de notre recherche d’autre part. Cette partie est titré : « Aperçu générale
du Benin à travers son système éducatif et présentation des Modèles Linéaires Hiérarchiques
(HLM) ». Cette partie comprend deux chapitres. Le premier chapitre, intitulé : « Le Benin et
son système éducatif », présente la situation politique et géographique du Benin, le climat et
l’hydrologie, la situation économique, le système éducatif béninois, quelques statistiques et les
ressources allouées aux système éducatif.
Le second chapitre intitulé « Principe des Modèles Linéaires Hiérarchiques (HLM) », expose
la synthèse des travaux et études empiriques permettant d’exposer le modèle théorique et les
différentes hypothèses de recherche.
Dans la seconde partie, les aspects méthodologiques et empiriques de la recherche seront
développés. Deux chapitres constituent également l’ossature de cette partie. D’abord, le
troisième chapitre expose la construction d’un cadre méthodologique pour l’analyse empirique.
Enfin, le quatrième chapitre du travail aborde dans différentes sections les résultats empiriques,
la vérification des hypothèses, la discussion, les implications puis les
limites et perspectives de la recherche.
Ce plan ainsi présenté est caricaturé dans la figure suivante :
5
Tél : +229 96422930
Figure N°1 : Plan et structure de la recherche
Chapitre 1 : Le Benin et son

système éducatif
Benin à travers son système
éducatif et présentation des
Partie 1 : Aperçu générale du
Hiérarchiques (HLM)
Modèles Linéaires
Chapitre 2 : Principe des Modèles

Linéaires Hiérarchiques (HLM)
Chapitre 3 : Base des données de la

recherche
Du PASEC et de la base des données
Des résultats, interprétations et

Partie 2: Présentation :
PASEC 2014
discussions
Chapitre 4 : Présentation, Interprétation

et Discussion des résultats
Source : L’auteur
6
Tél : +229 96422930
PREMIERE PARTIE: APERÇU GENERAL DU BENIN
A TRAVERS SON SYSTEME EDUCATIF ET
PRESENTATION DES MODELES LINEAIRES
HIERARCHIQUES (HLM)
7
Tél : +229 96422930
CHAPITRE 1 : LE BENIN ET SON SYSTEME
EDUCATIF
1.1 Introduction
Après les plans d’action issus des États Généraux de l’Éducation qui, en 1990, ont donné l’élan
à une planification concertée du système éducatif béninois, le Bénin s’est doté d’un Plan
Décennal de Développement du Secteur de l’Éducation (PDDSE) pour la période 2006-2015.
Ce plan, qui prend appui sur le Plan d’Action National en faveur de l’Éducation Pour Tous
(PAN/EPT), a pour objectif d’assurer la scolarisation primaire universelle. Pour le sous-secteur
des enseignements maternel et primaire, il est mis en œuvre à travers trois grands programmes
d’actions, à savoir : « accès, équité et rétention », « qualité des enseignements » et « pilotage et
gestion ».
En 2011, une évaluation à mi-parcours du PDDSE a été réalisée et a permis d’ajuster la dernière
phase de sa mise en œuvre couvrant la période 2013-2015. Cette évaluation a révélé des progrès
importants en termes d’accès, d’équité et de rétention, ainsi que des marges d’amélioration
possible concernant la qualité des enseignements et le pilotage du secteur. Suite aux
recommandations, une évaluation des acquis des élèves de la deuxième année (CP) et de la
cinquième année (CM1) du cycle primaire a été conduite et a démontré l’urgence de
l’instauration de mesures drastiques pour inverser la tendance observée. En effet, moins de 30
% des élèves du CP et moins de 50 % des élèves du CM1 disposent des compétences minimales
en mathématiques et en français. Ces performances assez faibles sont semblables à celles
révélées lors des autres évaluations réalisées entre 2000 et 2006. Pour apprécier les acquis des
élèves plus de cinq ans après la dernière évaluation, le Bénin s’est engagé avec neuf autres pays
de l’Afrique subsaharienne dans l’évaluation PASEC2014.
1.2 Présentation politique et géographique du Benin
Ancienne colonie française (1851), le Bénin est un pays de l’Afrique de l’Ouest. Il est appelé «
Dahomey » jusqu’en 1975 et devient indépendant le 1er août 1960. La langue officielle y est le
français. Sa capitale est Porto-Novo, mais Cotonou est la plus grande ville du pays et on y
trouve le port, l’aéroport, le commerce et le palais de la République. Les autres villes
importantes sont : Parakou, Natitingou, Djougou, Bohicon, Lokossa et Ouidah. Depuis la
Constitution du 11 décembre 1990, le Bénin est un pays démocratique à multipartisme intégral.
Le président du Bénin est élu pour un mandat de 5 ans renouvelable une fois. Selon le
découpage territorial de février 2013, le Bénin est subdivisé en 12 départements, 77 communes,
546 arrondissements et environ 5 300 villages et quartiers de ville.
8
Tél : +229 96422930
Le Bénin est situé dans la zone intertropicale entre l’équateur et le tropique du Cancer et
précisément sur le golfe de Guinée entre le Nigeria et le Togo. Il est limité au sud par l’océan
Atlantique, à l’est par le Nigeria, au nord par le Niger, au nord-ouest par le Burkina Faso et à
l’ouest par le Togo. Il couvre une superficie de 114 763 km². Son relief est constitué d'une
bande côtière sablonneuse suivie de deux zones de plateau, de collines au centre et du massif
montagneux de l'Atacora au nord.
En 2012, la population du Bénin comptait 10 000 000 d’habitants avec un taux moyen annuel
d’accroissement démographique de 3,3 %. L'analyse de la structure par sexe et par âge fait
ressortir une pyramide très élargie à la base, caractéristique de populations jeunes à forte
fécondité. La densité de la population est de 85 habitants/km². On y rencontre 52 langues
nationales selon l’atlas sociolinguistique du pays ainsi que 8 principaux groupes ethniques :
Fon, Adja, Yoruba, Dendi, Baatombou, Otammari, Peuhl et Yowa. Les pratiques religieuses
sont le christianisme (42,8 %), l’islam (24,4 %), l’animisme ou le vodoun (17,3 %) et autres
(15,5 %).
Figure N°2 : Carte du Bénin avec ses douze départements et leur peuplement
Source : PASEC 2014

1.3 Le climat et l’hydrographie
Le climat du Bénin est à la fois chaud et humide. On retrouve de la côte à la région des collines
un climat subéquatorial à deux saisons de pluies et deux saisons sèches, et des collines à
l’extrême nord du pays un climat tropical composé d’une saison de pluie et d’une saison sèche.
9
Tél : +229 96422930
L’hivernage couvre les mois d’avril à octobre. La température est constamment élevée, avec
une moyenne de 25 °C pour l'ensemble du pays.
Le Bénin bénéficie d’un vaste réseau de cours d’eau plus ou moins permanents. Ces cours d’eau
sont modestes par leur débit et leur longueur et ont un régime irrégulier. Ils sont répartis sur
l’ensemble du pays en cinq bassins hydrographiques : il s’agit du Mono (100 km de long avec
un débit saisonnier de 0 à 300 m3/s), du Couffo (190 km de long avec un débit saisonnier de 10
à 900 m3/s), de la Volta représentée par la rivière Pendjari (380 km de long avec un débit
saisonnier de 0 à 400 m3/s) et de l’Ouémé (510 km) qui forme le bassin le plus important. Ces
bassins sont composés de fleuves, de systèmes lagunaires et de lacs.
L’amélioration de la couverture éducative oblige l’État à construire des salles de classe dans
des zones lacustres et de mettre à disposition des élèves et des enseignants des barques
motorisées, des gilets de sauvetage et des bottes. Les périodes de crues sont souvent
caractérisées par des inondations qui réduisent considérablement le temps d’apprentissage.
1.4 La situation économique
Le Bénin a une économie basée sur la production agricole, le commerce, l’artisanat, le transit
et la petite industrie manufacturière. Sa monnaie est le franc CFA.
Avec un PIB qui devrait avoir atteint, en 2020, 8814 Mds XOF (15,4 Mds USD) pour une
population estimée à 12,1 millions d’habitants, le Bénin est entré dans la catégorie des pays à
revenu intermédiaire (tranche inférieure) avec PIB/habitant de 1250 USD. L’économie est
tournée vers l’agriculture et les industries de transformation des produits issus de l’agriculture,
secteurs largement centrés sur les deux produits d’exportation que sont le coton et l’anacarde
et vers le commerce. Le secteur primaire représente 28,1% du PIB, le secteur secondaire 14,6%
dont 6% pour les industries agroalimentaires et 4,4% pour le BTP, le secteur tertiaire 48,8% du
PIB dont 13% pour le commerce et 9% pour le transport. Les exportations (498 Mds FCFA en
2019) sont très concentrées sur trois catégories de produits, à savoir le coton fibre (53% des
exportations du pays), la noix de cajou (9% des exportations) et les oléagineux (4,7% des
exportations).
L’indice de développement humain (0,52) reste faible et classe le Bénin, en 2019 comme en
2018, au 163ème rang mondial sur 189 pays. Le climat des affaires reste perfectible même si le
Bénin a gagné 4 places lors de l’enquête « Doing Business 2020 » (149ième/190 au lieu de
153ième un an plus tôt).
10
Tél : +229 96422930
Le réseau routier est de 6 200 km, le réseau ferroviaire de 579 km, le réseau lacustre et
lagunaire de 270 km. Quant au réseau aérien, le Bénin possède un aéroport international à
Cotonou et quatre aérodromes faiblement fonctionnels.
Les routes bitumées et les chemins de fer sont en réhabilitation et en construction progressive.
La téléphonie mobile est très développée ; deux réseaux GSM qui s’ajoutent au téléphone
conventionnel de l’Office des Postes et des Télécommunications et le réseau Internet couvre
progressivement le pays.
1.5 Présentation du système éducatif Béninois
1.5.1 L’organisation institutionnelle
Le cadre institutionnel de gestion du secteur de l’éducation a évolué au même rythme que
les changements politiques survenus au Bénin, depuis l’avènement de l’indépendance du pays
en 1960. L’éducation nationale au Bénin est gérée par quatre ministères depuis 2001 :
 le Ministère des Enseignements Maternel et Primaire (MEMP);
 le Ministère des Enseignements Secondaire, Technique et de la Formation
Professionnelle, (MESTFP);
 le Ministère de l’Enseignement Supérieur et de la Recherche Scientifique (MESRS);
 le Ministère de la Culture, de l’Artisanat, de l’Alphabétisation et du Tourisme
(MCAAT).
L'enseignement est subdivisé en trois degrés :
 le premier degré, qui comprend l'enseignement maternel et l'enseignement primaire;
 le second degré, qui comprend l'enseignement secondaire général et l'enseignement
secondaire technique et professionnel;
 le troisième degré, qui comprend l'enseignement supérieur et la recherche scientifique.
L'enseignement primaire et le premier cycle de l'enseignement secondaire constituent
l'éducation de base.
1.5.2 L’enseignement du premier degré
L'enseignement du premier degré constitue l'un des sous-secteurs prioritaires de l'éducation.
La finalité de l'enseignement du premier degré est :
 L'éveil de l'esprit de l'enfant : sa formation physique, intellectuelle, civique et morale;
 L'éveil de son esprit d'initiative et de son sens critique;
 L'acquisition des connaissances, compétences et mécanismes de base pour les
apprentissages futurs;
 La valorisation du travail productif comme facteur de développement de l'intelligence
et d'insertion dans le milieu économique.
11
Tél : +229 96422930
1.5.3 L’enseignement maternel
L'enseignement maternel vise essentiellement l'éveil et la stimulation des fonctions physiques,
psychologiques et mentales de l'enfant. Il dure deux ans et est ouvert aux enfants âgés de deux
ans et demi au moins. Il est dispensé en français, en anglais, dans une langue nationale
majoritaire dans la localité ou dans toute autre langue.
Cet ordre d’enseignement n’est pas obligatoire mais est pris en compte dans la gratuité des frais
de scolarité et de ses mesures d’accompagnement.
1.5.4 L’enseignement primaire
L’enseignement primaire est obligatoire. L’État en assure progressivement la gratuité dans les
établissements d’enseignement publics, conformément aux dispositions de la Constitution. Il a
une durée normale de six ans. Cet ordre d’enseignement accueille les enfants âgés d’au moins
quatre ans et demi.
L’enseignement primaire poursuit les objectifs suivants :
 L’apprentissage de la lecture, de l’écriture et du calcul;
 Le développement chez l’enfant de la conscience du temps, de l’espace, des objets, du
monde moderne et de son propre corps;
 L’apprentissage de la vie de groupe et du travail d’équipe dans un contexte de vie
démocratique;
 L’acquisition de compétences et d’aptitudes qui rendent l’élève capable d’apprendre
seul et de pouvoir s’adapter aux situations nouvelles.
La fin des études de l’enseignement primaire est sanctionnée par l’examen du Certificat
d’Études Primaires (CEP).
1.5.5 Les politiques et stratégies nationales d’éducation
Pour le gouvernement du Bénin, l’éducation est une priorité clairement établie dans la
Constitution du 11 décembre 1990 et dans la Loi d’Orientation de l’Éducation Nationale du 11
novembre 2003. Selon les études prospectives Bénin Alafia 2025, 95 % des populations aspirent
à une éducation efficace et performante. C’est pour cela que la Stratégie de Croissance pour la
Réduction de la Pauvreté (SCRP) a inscrit l’éducation dans son troisième axe opérationnel
relatif au renforcement du capital humain, notamment dans le domaine d’intervention prioritaire
intitulé « la promotion d’une éducation de développement ».
Sur cette base, un Plan Décennal de Développement du Secteur de l’Éducation (PDDSE) a été
élaboré dans l’objectif d’assurer une éducation primaire universelle de qualité à tous les enfants
du Bénin.
Pour cela, trois programmes d’actions sont mis en place, à savoir :
 Le programme 1 : accès, équité et rétention;
12
Tél : +229 96422930
 Le programme 2 : qualité des enseignements;
 Le programme 3 : gestion et pilotage du système.
Le programme 1 a mené à :
 La construction et l’équipement de 12 976 salles de classe de 2006 à 2015;
 Le recrutement de 9 854 enseignants;
 Des mesures d’accompagnement de la gratuité des enseignements maternel et primaire
(octroi de subventions aux écoles pour leur fonctionnement);
 La promotion de l’alimentation scolaire à travers la création et le fonctionnement de
2 574 cantines scolaires dans 32 % des écoles primaires publiques au profit de 29 % des élèves;
 La mise à disposition de kits scolaires pour les filles des zones déshéritées.
À travers le programme 2, les mesures suivantes ont été mises en œuvre:
 La formation initiale de 1 800 enseignants par an dans les Écoles Normales
d’Instituteurs (ENI) publiques, et d’environ … enseignants formés dans les Écoles
Professionnelles privées de Formation d’Instituteurs (EPFI);
 La formation continue de près de 20 000 enseignants par an;
 La distribution de manuels et cahiers d’activités à tous les élèves des écoles primaires
publiques et privées;
 La mise à disposition de matériels pédagogiques;
 Le renforcement de l’encadrement pédagogique des enseignants.
Malgré la mise en place de ces mesures, les résultats ne sont pas à la hauteur des attentes. C’est
pour cela que des actions complémentaires suivantes sont envisagées sur :
 La révision des curricula pour qu’ils soient plus adaptés au contexte national;
 La formation des enseignants;
 La mise à disposition des élèves et des enseignants des intrants pédagogiques
nécessaires;
 La gestion efficace du temps scolaire;
 Le suivi et l’évaluation des activités pédagogiques par la mise en place d’une cellule
nationale d’évaluation des acquis scolaires.
Le programme 3 a permis de mettre en oeuvre les mesures suivantes :
 La mobilisation de plus de 200 millions de dollars américains auprès des partenaires
techniques et financiers;
 Le renforcement de la déconcentration et de la décentralisation avec, depuis 2010, le
transfert effectif des compétences et des ressources aux communes conformément aux lois sur
la décentralisation en République du Bénin;
13
Tél : +229 96422930
 L’appui et l’accompagnement des écoles privées;
 La mise en place d’une politique de ciblage des interventions prenant en compte 25
communes déclarées défavorisées en matière d’éducation pour la réduction des disparités
géographiques constatées en matière d’accès et de maintien des élèves à l’école.
Ces dernières années, un certain nombre de réformes ont été entreprises, notamment :
 L’introduction des langues nationales dans le système éducatif formel, depuis la rentrée
scolaire 2013-2014;
 La phase pilote de l’introduction de l’informatique dans les écoles primaires;
 La mise en place des jardins scolaires dans les écoles à cantines scolaires.
Les défis actuels du sous-secteur portent sur :
 La correction des disparités dans la scolarisation des enfants et dans l’allocation des
ressources;
 L’amélioration de la qualité des apprentissages;
 La mise en place d’un dispositif national d’évaluation des acquis scolaires;
 La réduction des redoublements et des abandons;
 La couverture des déficits en enseignants et en salles de classe;
 La mise en œuvre de la politique de l’alimentation scolaire dans une approche intégrée
et multisectorielle.
1.5.6 La décentralisation dans l’éducation
La décentralisation a démarré effectivement en 2008 conformément aux lois sur la
décentralisation en République du Bénin.
Les attributions des communes en ce qui concerne les enseignements maternel et primaire sont
consignées aux articles 97 et 98 de la loi 97 029 portant organisation des communes en
République du Bénin, ainsi qu’il suit :
« La commune a la charge de la construction, de l’équipement et des réparations des
établissements publics de l’enseignement primaire et maternel. Elle assure en outre l’entretien
de ces établissements. À cet effet, I ’Etat lui transfère les ressources nécessaires. »
« La commune initie toutes les mesures de nature à favoriser et à promouvoir l’éducation de la
jeunesse. À cet effet, l’État lui transfère les ressources nécessaires. »
Depuis 2010, l’État béninois, à travers le Ministère des Enseignements Maternel et Primaire, a
transféré aux communes en moyenne 3 % de son budget et 14 % des ressources destinées aux
investissements.
14
Tél : +229 96422930
1.5.7 Le secteur privé
L’article 2 de la Loi d’Orientation de l’Éducation Nationale stipule que « l’école, en République
du Bénin, est publique et laïque. Toutefois, l’enseignement privé laïc ou confessionnel est
autorisé dans les conditions fixées par décrets pris en conseil des Ministres ».
Les écoles maternelles et primaires privées autorisées représentent pour ce sous-secteur 29,9 %
des écoles et 20,7 % des effectifs des élèves.
Les écoles privées exécutent le programme en vigueur dans le pays et suivent le même
calendrier scolaire. Elles bénéficient du soutien de l’État pour la formation des enseignants,
l’accompagnement des enseignants et l’allocation de manuels et de cahiers d’activités aux
apprenants. Les établissements privés ont l’obligation de mettre en œuvre le programme
scolaire selon la même approche que les établissements publics, à savoir l’approche par
compétences (APC).
1.6 Quelques statistiques
Le système éducatif a connu des avancées notables en matière de scolarisation et de
participation au primaire.
Au primaire en 2014-2015, 10 755 écoles sont recensées, dont 2 884 écoles primaires privées.
Ces écoles accueillent 2 238 185 élèves, dont 22,1 % sont scolarisés dans le privé. Cet
accroissement des effectifs s’explique entre autres par la mesure de gratuité de l’enseignement
primaire décrétée par le gouvernement en 2006. En effet, le taux brut de scolarisation (TBS) est
passé de 95,5 % en 2006 à 124,8 % en 2015 et le taux net de scolarisation (TNS) de 79,9 % à 99%.
Tableau N°1: Evolution des indicateurs au primaire de 2006 à 2015
2006 2010 2011 2012 2013 2014 2015
Taux brut de scolarisation au 95,5 106,0 112,6 119,7 121,1 120,8 124,8
primaire (%)
Taux net de scolarisation au 79,9 86,8 91,2 97,4 98,1 98,5 99,0
primaire (%)
Pourcentage des filles au primaire 44,4 46,5 46,5 46,9 47,1 47,3 47,5
(%)
Taux d’achèvement du primaire 65,0 64,1 67,9 71,5 76,9 77,6 79,2
(%)
Taux de redoublement 7,9 13,4 13,3 11,9 11,6 11,4 11,2
Taux d’abandon (%) 11,7 10,7 14,4 13,4 13,8 11,6 13,2
Ratio élève/maître 43,6 47,4 41,8 44,1 43,7 46,1 45,0
Ratio élèves/manuel (maths et 1,6 1,9 1,9 2,1 2,5 2,8 2,1
français)
% d’enseignants qualifiés dans le 45,0 50,1 55,1 75,3 83,7 85,6 87,5
public)
Source : Annuaires statistiques 2006 à 2015 du Ministère des Enseignements Maternelle et Primaire
15
Tél : +229 96422930
Le taux d’achèvement du primaire atteint 79,2 % en 2015 alors qu’il était de 65 % en 2006.
Malgré les efforts, la rétention des élèves est ralentie par les redoublements et les abandons dont
les taux sont respectivement de 11,2 % et 13,2 % en 2015. Ces moyennes nationales cachent
des disparités comme l’indiquent les tableaux qui suivent.
Tableau N°2 : Taux de redoublement par année et par département pour l’année scolaire 2013-
2014 (en %)
CI CP CE1 CE2 CM1 CM2 GLOBAL
ATACORA 2,2 8,5 9,1 9,7 10,7 7,2 7,3
DONGA 0,9 8,3 9,1 9,1 9,8 6,6 6,8
ATLANTIQUE 4,3 13,6 16,5 16,1 14,2 6,6 11.8
LITTORAL 4,0 9,6 12,9 11,3 10,6 2,7 8,7
BORGOU 6,6 16,6 18,6 19,1 19,6 10,4 15,0
ALIBORI 5,7 13,8 15,8 16,7 17,4 13,7 13,0
MONO 1,8 16,9 17,4 18,7 17,9 10,3 13,4
COUFFO 1,3 13,8 15,8 16,2 15,8 8,6 14,4
OUEME 4,1 14,7 17,3 17,1 16,2 6,9 12,7
PLATEAU 3,0 14,9 18,2 19,1 19,8 12,4 14,1
ZOU 2,9 13,5 14,9 16,0 15,1 8,1 11,5
COLLINES 1,9 9,9 12,2 11,9 12,4 6,4 8,9
BENIN 3,4 13,1 15,2 15,5 15,1 8,0 11,4
Source : Annuaire statistique 2013-2014 du Ministère des Enseignements Maternel et Primaire
On constate que le redoublement est très élevé au CE1 et au CE2. Les départements de l’Alibori,
du Borgou, du Mono et du Plateau ont les taux de redoublement les plus élevés.
Tableau N°3 : Taux d’abandon par année et par département pour l’année scolaire 2013-2014 (en %)
CI CP CE1 CE2 CM1 CM2 GLOBAL
ATACORA 21,4 13,9 12,8 15,2 18,7 17,5 16,7
DONGA 16,9 12,3 11,6 12,0 25,1 19,8 15,6
ATLANTIQUE 19,3 5,8 7,5 6,6 6,0 8,5 9,5
LITTORAL 10,1 2,8 6,4 9,6 11,8 1,6 7,2
BORGOU 17,1 6,8 8,4 11,1 12,8 10,8 11,3
ALIBORI 24,7 15,1 9,7 8,8 13,9 15,3 15,5
MONO 20,2 4,8 6,7 5,5 13,9 13,5 10,8
COUFFO 24,6 8,8 9,0 8,8 16,6 14,4 14,1
OUEME 17,4 4,9 6,0 9,0 13,7 10,2 10,2
PLATEAU 18,8 7,0 7,6 10,3 16,1 18,4 12,6
ZOU 21,2 5,8 7,9 7,9 11,5 9,4 11,1
COLLINES 16,6 7,3 6,9 5,7 13,4 8,7 10,0
BENIN 19,1 7,5 8,1 9,0 13,5 11,5 11,7
Source : Annuaire statistique 2013-2014 du Ministère des Enseignements Maternel et Primaire
16
Tél : +229 96422930
Les taux d’abandon les plus élevés s’observent dans les départements de l’Atacora, de la Donga
et de l’Alibori.
En ce qui concerne la qualité des apprentissages, elle est tributaire de la formation des
enseignants, de leur encadrement et de leur accompagnement par le corps de contrôle et
d’inspection ainsi que de la disponibilité des matériels pédagogiques.
En 2015, 87,5 % des enseignants sont qualifiés, c’est-à-dire qu’ils ont le diplôme professionnel
requis pour enseigner, contre 45 % en 2006. Cette amélioration s’explique par la réouverture
de trois Écoles Normales d’Instituteurs (Abomey, Porto-Novo et Djougou) et la création de
trois nouvelles (Allada, Dogbo et Kandi) pour assurer la formation initiale des enseignants à la
suite de la décision du gouvernement de ne plus recruter de candidats n’ayant pas le diplôme
professionnel requis.
Il y a au total 106 inspecteurs et 324 conseillers pédagogiques pour assurer l’encadrement
pédagogique de 36 464 enseignants. Malgré la formation et le recrutement de nouveaux
inspecteurs et conseillers pédagogiques, leur nombre demeure insuffisant pour permettre un
accompagnement plus étroit des enseignants. En effet, on relève des ratios d’un conseiller
pédagogique pour 113 enseignants et d’un inspecteur pour 80 écoles, ce qui signifie qu’il y a
des enseignants et des écoles qui finissent l’année sans recevoir la visite ni de l’un, ni de l’autre.
Cette situation n’est pas de nature à favoriser la formation continue des enseignants.
Dans le but d’améliorer les connaissances et les compétences des apprenants, des manuels
scolaires sont mis à la disposition de tous les élèves, aussi bien des écoles primaires publiques
que privées. Depuis 2012, chaque élève doit recevoir un manuel de mathématiques et un manuel
de français (environ 7 % des élèves ne reçoivent pas ces manuels à cause d’une insuffisance
dans l’allocation de ces manuels). Toujours dans le souci de mettre à la disposition des écoles
les intrants pédagogiques nécessaires aux apprentissages, le gouvernement alloue aux écoles
des ressources pour l’acquisition de matériels pédagogiques à usage collectif (instruments de
géométrie, kits de physique, planches de géographie et de sciences de la vie, etc.).
Les conditions d’apprentissage restent encore à améliorer. Malgré les efforts du gouvernement
en matière de construction, de réhabilitation et d’équipement des infrastructures scolaires, le
pourcentage de salles de classe en bon état est estimé à 74,1 % et le pourcentage d’élèves bien
assis est de 88,2 % en 2015 contre respectivement 69,2 % et 88,1 % en 2006 (Rapport PASEC
2014, Benin). Il s’ensuit que 539 700 élèves des écoles primaires publiques, soit 31,6 %, ne
jouissent pas d’un environnement approprié pour favoriser leurs apprentissages. De même,
316 207 élèves, soit 18,1 %, ne bénéficient pas d’une place assise en classe. Ces situations
s’observent de façon très marginale dans les écoles privées.
17
Tél : +229 96422930
1.7 Ressources allouées au secteur de l’éducation
1.7.1 Les ressources financières allouées au secteur et sous-secteurs de
l’éducation
La loi d’Orientation de l’Éducation Nationale du 11 novembre 2003 stipule dans son article 1
que « dans le respect des principes définis par la Constitution du 11 décembre 1990, l'éducation,
en République du Bénin, constitue et demeure la première priorité nationale ». Attachés à cette
disposition légale, les gouvernements successifs du pays ont effectivement accordé cette
priorité à l’éducation en lui consacrant une partie importante du budget de l’État. En effet, la
part du budget de l’État allouée au secteur de l’Éducation est de 20,9 % en 2015 contre 18,5 %
en 2010, la moyenne des dix dernières années étant de 23 %. Le gouvernement béninois alloue
donc plus de 20 % de son budget à l’éducation. En termes de dépenses de l’État, c’est plus de
30 % des dépenses courantes hors service de la dette qui sont allouées à l’éducation, plaçant
ainsi le Bénin parmi les pays qui financent le mieux leur système éducatif au niveau de la
Communauté Économique des États de l’Afrique de l’Ouest (CEDEAO).
Tableau N°4 : Evolution des ressources et dépenses de l’état de 2010 à 2015
2010 2011 2012 2013 2014 2015
PIB (en milliards de USD), base 6,9 7,4 8,3 9,0 9,5 10,0
2014
Taux de croissance du PIB (en %) 2,1 3,0 4,6 6,9 6,5 5,2
Budget de l'État (en milliards de 2,0 1,7 1,6 1,7 1,8 2,1
USD)
Part du budget de l'État allouée à 18,5 22,5 25,1 26,2 25,2 20,9
l'éducation (en %)
Part des investissements dans le 9,2 11,5 12,1 11,6 13,4
budget de l’éducation (en %)
Part des dépenses de l'État
allouée à l'éducation (en % du 4,5 4,5 4,6 4,6 4,3 4,5
PIB)
Part du budget de l'éducation
allouée au sous-secteur des 55,1 54,3 53,9 53,5 50,1 48,2
enseignements maternel et
primaire (en %)
Source : Direction Générale des Affaires Économiques, Ministère de l’Économie et des Finances
Avec un PIB qui a atteint 10 milliards de dollars américains et une croissance économique de
5,2 % en 2015, l’économie béninoise est en croissance même si depuis 2014 elle subit les
contrecoups de l’instabilité de l’économie régionale et surtout du grand voisin Nigeria dont elle
dépend énormément. Le tableau ci-dessus montre que l’augmentation des ressources ou des
dépenses de l’État est accompagnée d’une augmentation des ressources allouées à l’éducation.
En effet, alors que le taux de croissance moyen annuel du budget national est de 1,1 %, celle
18
Tél : +229 96422930
du secteur de l’éducation est de 5,8 % sur la période 2010-2015. Ceci témoigne de l’importance
que le gouvernement du Bénin accorde au secteur de l’éducation.
En 2015, le Bénin a consacré 4,5 % de son PIB au secteur de l’éducation et une bonne partie de
ces ressources vont au sous-secteur des enseignements maternel et primaire qui reçoit plus de
50 % du budget de l’éducation, sauf en 2015 (48,2 %).
Dans le budget consacré aux enseignements maternel et primaire, près de 75 % est utilisé pour
le paiement des salaires des enseignants. Le graphique suivant montre la répartition des
dépenses du sous-secteur des enseignements maternel et primaire pour l’année 2015.
Figure N°3 : Répartition du budget alloué aux enseignement maternel et primaire par nature
des dépenses (2015)
Source : Budget 2015 du MEMP

Mais la question de la part du budget qui arrive effectivement dans les écoles se pose. Le tableau
ci-dessous permet de voir la répartition des dépenses du sous-secteur des enseignements
maternel et primaire depuis le niveau central jusque dans les écoles.
Tableau N°5: Part des dépenses courantes du MEMP, sans les salaires, allouées aux niveaux national,
déconcentre et décentralisé en 2015 (en %).
Structures Structures Structures
centrale (DTC & déconcentrées Ecoles déconcentrées Total
OCT) (DDEMP,ENI, CS) (Communes)
Dépenses courantes 31,1 10,5 52,1 6,3 9,5
hors salaire
Achat de biens et 37,4 3,8 58,9 0,0 6,5
services
Dépenses de 19,8 12,5 57,4 10,3 1,8
transfert
Subvention 3,3 5,9 90,7 0,0 25,2
d’exploitation
ATC 35,,2 18,5 26,1 20,0 11,6
BESA 76,5 23,5 0,0 0,0 4,3
Investissement 77,0 0,0 0,0 23,0 50,1
Total 46,0 6,9 35,0 12,1 100,0
Source : Budget 2015 du MEMP
19
Tél : +229 96422930
NB : (1) Les dépenses relatives aux cantines ont été prises en compte comme des ressources qui vont aux écoles,
(2) Pour des raisons pratiques, les ENI sont rangées dans la colonne des structures déconcentrées.
Ce tableau révèle que plus du tiers des ressources, soit 35 % parviennent aux écoles et sont
décomposées comme suit : 33 % pour les matériels pédagogiques, les manuels et les kits
scolaires en faveur des défavorisés, 51 % pour les subventions aux écoles (chaque école reçoit
150 000 FCFA par classe) et 16 % pour les cantines scolaires au profit de 30 % des élèves des
écoles primaires publiques. Le niveau central continue de gérer 46 % des ressources au
détriment des structures déconcentrées (6,8 %) qui sont plus près des écoles et qui vivent
directement les réalités du terrain.
Le transfert des ressources aux communes est une réalité, avec 12,1 % des ressources, même si
les efforts méritent d’être poursuivis. L’autre question qui mérite qu’on y réfléchisse est la
bonne gestion des ressources pour que les écoles puissent réellement profiter pour offrir aux
élèves un enseignement de qualité.
1.7.2 Les ressources humaines du sous-secteur des enseignements maternel et primaire
Les enseignants représentent la ressource la plus importante pour assurer aux enfants une
éducation de qualité. La question du recrutement et de la formation des enseignants est une
préoccupation du gouvernement mais l’inefficience de l’allocation des enseignants aux
différentes zones géographiques du pays vient aggraver l’important déficit d’enseignants au
primaire, évalué à environ 12 301. Cette situation oblige les structures en charge de l’éducation
à créer des classes jumelées ou des classes multigrades. Le ratio élèves/maître dans le public
est de 52,4. Cette moyenne cache des disparités comme l’indique le tableau ci-dessous.
Tableau N°6 : Ratio élèves/maîtres 2013-2014
Ratio élèves/Maître Ratio élèves/Maître, secteur public
ATACORA 48,7 51,0
DONGA 49,8 51,2

ATLANTIQUE 44,1 59,2
LITTORAL 38,5 55,4
BORGOU 49,5 55,7
ALIBORI 66,2 70,9
MONO 42,7 44,5
COUFO 49,6 51,3
OUEME 40,8 52,0
PLATEAU 51,1 59,0
ZOU 41,9 45,6
COLLINES 51,0 54,5
BENIN 45,9 53,1
Source : Annuaire statistique du Ministère des Enseignements Maternel et Primaire, 2013-2014
20
Tél : +229 96422930
Les départements de l’Alibori, du Plateau, des Collines, de l’Atlantique et du Borgou sont les
plus mal dotés en ce qui a trait au nombre d’enseignants.
1.8 Conclusion
Le système éducatif du Bénin a fait l’objet d’importants efforts en termes quantitatifs (accès,
participation, équité et rétention), mais d’importants défis restent à relever en ce qui concerne
la qualité des enseignements. En effet, malgré le recrutement et la formation des enseignants,
la construction et l’équipement de salles de classe et les actions de promotion de la scolarisation,
le sous-secteur des enseignements maternel et primaire fait face à de forts taux de redoublement
et d’abandon et à un déficit en enseignants et en infrastructures. Ces contraintes expliquent en
partie les faibles résultats de l’évaluation des acquis des élèves du CM2 en Mathématiques.
Quels sont alors les parts de responsabilité au niveau individuel (élèves) et familial (parents)
d’une part, et au niveau du contexte scolaire (enseignants et autres personnes intervenant dans
le processus de formation des apprenants) d’autre part dans l’explication de ces faibles
performances des élèves en Mathématiques?
Ces deux niveaux de réflexion seront examinés à travers des modèles Linéaires
Hiérarchiques (Modèles multiniveaux). Nous allons donc exposer dans le chapitre suivant le
principe des Modèles Linéaires Hiérarchiques (HLM).
21
Tél : +229 96422930
CHAPITRE 2 : PRINCIPES ET ILLUSTRATION DES
MODELES LINEAIRES HIERARCHIQUES (HLM)
2.1 Introduction
Avant de détailler les principes des HLM, il est indispensable de présenter les principales
caractéristiques des recherches multiniveaux, domaine d’application des HLM. Cette
présentation sera étayée par des exemples simples, claires et accessibles avec parfois des figures
ou tableaux pour illustration.
2.2 Recherches multiniveaux
De nombreux concepts (l’innovation, l’image de marque, les réseaux…) ne peuvent être étudiés
en prenant en compte un seul niveau d’analyse, posant, de ce fait, le problème de l’intégration
de données mesurées à des niveaux différents au sein d’un même modèle de recherche. Il peut
être nécessaire, par exemple, de mesurer et prendre en compte dans une même recherche des
variables relatives à des élèves, des classes qui regroupent ces élèves, des écoles composées de
ces classes, …. Il existe ainsi différents niveaux de collecte des données et, donc, d’analyse.
Notre exemple d’étude porte sur un cas typique de ces recherches : une recherche qui s’intéresse
à des élèves au sein des écoles. Un certain nombre d’écoles est sélectionnée puis, au sein de
chaque école, un certain nombre d’élèves est interrogé. Ceci revient donc à un échantillonnage
à deux niveaux : des écoles sont choisies puis des élèves sont questionnés au sein des écoles
retenues. Les élèves ne sont donc pas sélectionnés indépendamment les uns des autres : le fait
de choisir une école explique la possibilité pour un élève d’être interrogé. Les observations
collectées (au niveau des élèves) ne sont donc pas indépendantes (Snijders et Bosker, 1999).
A présent, nous souhaitons étudier des relations incluant simultanément des variables
mesurées pour des élèves et des écoles. Ces relations possibles vont être représentées de façon
simple par des figures en utilisant la démarche de Tacq (cité par Snijders et Bosker, 1999) : une
ligne en pointillés indique une différence entre deux niveaux, au-dessus de la ligne se trouve le
niveau supérieur et au-dessous le niveau inférieur, les variables de niveau 1 (ici relatives aux
élèves) sont notées en minuscules et de niveau 2 (ici relatives aux écoles) en majuscules. Une
flèche indique une relation causale. Notre recherche multiniveau considère donc dans le même
modèle des interactions entre variables de niveaux 1 et 2. Ceci peut se représenter comme dans
la Figure 4 ci-dessous.
Cas 1: Nous nous intéressons à l’effet que peut avoir une variable Z de niveau école (niveau 2)
sur une variable y de niveau élève (niveau 1) en tenant compte de l’effet d’une autre variable x
22
Tél : +229 96422930
de niveau élève (niveau 1). Par exemple, l’effet de l’expérience professionnelle de l’enseignant
de l’école sur la performance scolaire des élèves, en tenant compte de l’indice socio-
économique des familles d’élèves. L’expérience professionnelle de l’enseignant caractérise
les écoles, alors que l’indice socio-économique des familles et la performance scolaire se
mesurent au niveau de chaque élève.
Cas 2 : la question porte sur l’effet d’une variable Z de niveau 2 sur une variable y mesurée au
niveau 1. Par exemple, l’effet de l’expérience professionnelle de l’enseignant (niveau 2) sur la
performance de chaque élève dans l’école.
Cas 3 : la relation entre deux variables de niveau 1 (x et y) dépend de Z. Par exemple, la relation
entre la motivation de l’élève et sa performance scolaire dépend de la taille de la classe.
Figure 4 : différents types de recherches multiniveaux

Cas 1: Cas 2:
Expérience professionnelle de l’enseignant Expérience professionnelle de l’enseignant
(Z) (Z)
x Performance de l’élève (y) Performance de l’élève (y)
Cas 3:
Taille de la classe (Z)
(Motivation de l’élève (x) Performance de l’élève (y)
Source : L’auteur
Les recherches multiniveaux sont nombreuses et peuvent être fréquemment utilisées par des
chercheurs dans plusieurs domaines. Selon le thème de la recherche, un objet peut être de niveau
1 ou 2. Une recherche qui s’intéresse à des relations entre des élèves au sein des écoles et entre
élèves, considérera les élèves composant ces écoles comme le niveau 1 et les écoles seront le
niveau 2.
23
Tél : +229 96422930
2.3 Problèmes rencontrés dans la structure des données
Une fois les données collectées aux différents niveaux d’analyse, deux problèmes se posent :
comment agréger ou désagréger ces données et, surtout, comment analyser des relations entre
des variables de niveaux hiérarchiques différents. Tant que les analyses portent sur des variables
mesurées à un même niveau (toutes au niveau de l’individu, par exemple), il ne se pose aucun
problème particulier. La difficulté s’amplifie quand il s’agit de travailler sur des relations entre
données mesurées à différents niveaux. D’où il est primordial de trouver une solution idoine.
L’hétérogénéité des niveaux d’analyse peut se traiter de trois façons différentes (Hofmann,
1997). La première possibilité, la plus fréquente, est de désagréger les données de façon que
chaque unité de niveau inférieur (niveau 1) se voit assigner un indicateur représentant l’unité
de niveau supérieur (niveau 2) dans laquelle elle se trouve. Par exemple, chaque individu se
verra attribuer une valeur pour une variable mesurée au niveau de son groupe de travail. De ce
fait, les individus d’un même groupe auront tous la même valeur pour cette variable qui est en
fait d’un niveau hiérarchique supérieur. L’analyse de données (une régression linéaire) se fait
ensuite sur l’ensemble des unités de niveaux inférieurs (les individus). Cette approche pose le
Problème de l’indépendance des observations car plusieurs individus reçoivent le même
score pour cette variable et l’appartenance des individus à un même groupe est ignorée alors
qu’ils partagent un même contexte et interagissent. De plus, comme Hofmann (1997) le décrit,
les tests statistiques portant sur les variables de niveau supérieur (niveau 2) sont alors fondés
sur le nombre total d’observations de niveau inférieur (niveau 1) ce qui peut influencer les
estimations de l’écart-type et des inférences statistiques associées. Le fait d’ignorer la structure
des données fait que les écart-types estimés seront plus faibles, ce qui peut augmenter le risque
d’erreur de type I pour ces variables de niveau 2 (Barcikowksi, 1981 ; Bryk et Raudenbush,
1992 ; Hox, 1997). Ce point peut facilement être illustré par l’exemple suivant: Le nombre
d’années d’expérience de l’enseignant (niveau 2) comportant 164 observations a été
désagrégé en 3033 observations de niveau 1 comme si, pour chaque unité de niveau 2, nous
avions collecté 18 observations de niveau 1 environ. Les 164 observations ont donc été
dupliquées un peu plus de 18 fois afin d’arriver à 3033 observations et ainsi pouvoir analyser
toutes les données au niveau 1. Une telle manipulation change de façon importante certaines
statistiques pour cette variable « Le nombre d’années d’expérience de l’enseignant », comme
cela est visible dans les tableaux suivants (Tableau N°7 et N°8). Cela peut avoir des
conséquences importantes sur les inférences statistiques la concernant.
24
Tél : +229 96422930
Tableau N° 7: Statistiques de la vaviable exp_profess_enseig non désagrégée
Tableau: Statistiques non désagrégées

Exp_profess_enseig
N Valide 164
Manquant 0
Moyenne 17,32
Erreur standard de la moyenne ,785
Ecart type 10,082
Variance 101,644
Asymétrie ,051
Erreur standard d'asymétrie ,189
Source : L’auteur, Décembre 2021
Tableau N° 8: Statistiques de la vaviable exp_profess_enseig désagrégée
Tableau: Statistiques désagrégées

Exp_profess_enseig
N Valide 3033
Manquant 0
Moyenne 17,70
Ecart type 10,005
Variance 100,093
Asymétrie ,003
Erreur standard d'asymétrie ,044
Source : L’auteur, Décembre 2021
Plus généralement, il existe plusieurs recherches qui comparent (à partir de données réelles ou
de simulations) l’analyse de données multiniveaux avec des régressions (qui supposent la
désagrégation des données de niveau 2 au niveau 1) et des HLM (Tate et Wongbundhit, 1983 ;
Bassiri, 1988 ; Busing, 1993 ; Kelly et Mathew, 1994 ; Rodriguez et Goldman, 1995 ; Rowe,
1999 ; Kim, 1990 ; Goldstein, 1995 ; Kreft et Leeuw, 1998). Elles mettent en évidence les
limites importantes des régressions sur ce type de données, à savoir : hétérogénéité des
régressions, corrélation intra classe, et mauvaise estimation des écarts types et des tests de
signification (Burstein, 1980a, 1980b). Par exemple, le problème des corrélations intra-classe
vient du fait que certains groupes au sein desquels sont collectés les informations, sont assez
homogènes (la corrélation intra-classe indique le degré de ressemblance entre unités
appartenant au même groupe). Barcikowski (1981) montre l’impact de la corrélation intra-
25
Tél : +229 96422930
classe sur la valeur réelle du seuil de signification alpha pour un test t réalisé initialement pour
une valeur nominale d’alpha de 0,05. Avec une faible corrélation intra-classe de 0,05 et un
nombre de groupe égal à 10, ce seuil de signification réel est en fait de 0,11 alors qu’il était
supposé de 0,05.
Ceci indique pourquoi l’analyse de données multiniveaux avec des régressions augmente le
risque d’erreur de type I. Ainsi, pour ces multiples raisons, les régressions (moindres carrés
ordinaires, généralisés…) ne permettent pas d’estimer simultanément et correctement des
modèles hiérarchisés (multiniveaux). La deuxième approche envisageable, opposée de la
première, peut-être d’agréger les données de niveaux inférieurs (niveau 1) et de travailler à ce
niveau d’intégration (niveau 2), par exemple en utilisant la moyenne de chaque variable de
niveau inférieur pour réaliser une analyse au niveau supérieur. En plus des biais liés à la
méthode d’agrégation, un des principaux inconvénients de cette approche est d’ignorer la
variance qui peut exister aux niveaux inférieurs. En effet, toute l’information existante au sein
d’un groupe est ignorée, or elle peut représenter jusqu’à 80 à 90 % de la variation totale. Ceci
pourra avoir comme conséquence de rendre les relations entre les variables agrégées beaucoup
plus fortes et, parfois, très différentes des relations entre variables non agrégées.
Enfin, la troisième possibilité est d’utiliser les modèles linéaires hiérarchiques. Ces modèles
sont spécifiquement conçus pour dépasser les limites de l’agrégation ou de la désagrégation en
modélisant les relations à différents niveaux et évitant ainsi au chercheur le recours aux deux
précédentes approches. Ils considèrent l’existence des régressions au sein de chaque groupe et
modélisent ensuite les variations de ces différentes droites entre groupes. La variance est ainsi
divisée en deux composantes : la variance au sein de chaque groupe et la variance entre groupes.
Le principal avantage des HLM est donc d’analyser les relations à l’intérieur d’un niveau
hiérarchique (un individu, un groupe…) aussi bien qu’entre niveaux. Pour cela, deux modèles
sont simultanément étudiés : un modèle de niveau 1 qui porte sur les relations au niveau le plus
fin, un modèle de niveau 2 qui modélise la façon dont ces relations au sein du premier niveau
varient entre unités. Cette approche à deux modèles définit les modèles linéaires hiérarchiques
(Bryk et Raudenbush, 1992).
2.4 Logique des HLM
Pour présenter la logique des HLM, utilisons l’exemple proposé par Bryk et Raudenbush
(1992: 9-23). Considérons une situation très simple où nous voulons étudier la relation entre
une variable expliquée y et une variable explicative x au sein d’un groupe d’individus. Cette
relation linéaire correspond à l’équation suivante : yi = β0 + β1xi + ri
26
Tél : +229 96422930
A présent, nous nous intéressons toujours à cette même relation mais en prenant en compte
deux groupes d’individus. Nous pouvons identifier deux régressions qui décrivent les relations
entre y et x pour les deux groupes (Figure 5). Les deux droites de régression indiquent que les
groupes 1 et 2 diffèrent de deux façons : leurs moyennes ( β01 et β02) et leurs pentes (β11 et β12)
sont différentes.
Figure 5: Droites de régression des deux groupes
Source : jean-Luc Arrègle (2003)
Considérons maintenant J groupes. La relation est étudiée pour un échantillon aléatoire de J

groupes d’une population. La relation peut à présent s’écrire pour n’importe quel groupe j :
Niveau 1 : 𝑦𝑖𝑗 = β0𝑗 + β1𝑗 𝑥𝑖𝑗 + 𝑟𝑖𝑗 (1) où :
𝑦𝑖𝑗 : valeur de la variable dépendante y pour l’individu i dans le groupe j ;

𝑥𝑖𝑗 : valeur de la variable indépendante x pour l’individu i dans le groupe j ;
β0𝑗 et β1𝑗 : intersections et pentes estimées séparément pour chaque groupe j ;
𝑟𝑖𝑗 : terme d’erreur pour l’individu i dans le groupe j.
Une fois étudiée la façon dont les J groupes se différencient selon leur β0 et β1, il peut être
intéressant de construire un modèle pour estimer β0j et β1j. Nous pouvons par exemple utiliser
certaines variables qui caractérisent les groupes « niveau 2 » (et non plus les individus comme
dans la phase précédente) pour les expliquer. Dans un objectif de simplicité, nous ne prenons
en compte qu’une seule variable Wj. Nous obtenons donc les deux régressions :
Niveau 2 : β0j = γ00 + γ01Wj + u0j (2𝑎) et
β1j = γ10 + γ11Wj + u1j (2𝑏) où :

Wj: variable mesurée au niveau 2 ;
u0j et u1j : termes d’erreur pour le groupe j.
Cette approche permet de gérer l’hétérogénéité des régressions qui existe quand les relations
(les βij) entre les variables explicatives et la variable expliquée varient entre les groupes, comme
27
Tél : +229 96422930
c’est le cas dans l’exemple précédent. Les modèles de régression à paramètres fixes ne
permettent pas d’explorer la variation qui existe entre les groupes (Kim, 1990). Les
HLM répondent à ce problème en calculant séparément des équations de régression pour chaque
groupe puis en modélisant les variations entre groupes selon des caractéristiques des groupes.
Le modèle de niveau 1 va permettre de mettre en évidence le modèle de régression de chaque
groupe. Le niveau 2 analysera les variations entre les modèles des groupes. Pour cela, les
intersections et les pentes des modèles (régressions linéaires) de niveau 1 peuvent être
considérées comme étant un échantillon aléatoire d’une population d’intersections et de pentes
mesurées au niveau des groupes. Ce second niveau est donc analysé par la réalisation de
régressions qui ont comme variable dépendante respectivement les intersections et les pentes
des régressions de niveau 1 (c’est-à-dire les n régressions faites pour les n groupes). Les
variables indépendantes Wj seront des variables mesurées au niveau du groupe et qui peuvent
expliquer des variations entre les modèles des différents groupes. La logique de cette démarche
peut s’illustrer par un exemple graphique simple. Prenons le cas d’un HLM de la forme :
Niveau 1 : yij = β0j + β1jxij + rij
Niveau 2 : β0j = γ00 + γ01Wj + u0j ; β1j = γ10

Ceci revient à considérer que les droites de régressions entre yij et xij pour les différents groupes
j varient seulement pour leur ordonnée à l’origine (β0j). Les pentes de ces droites sont
strictement identiques, ce qui explique que le sous-modèle β1j = γ10 ne comporte pas de variable
indépendante et de terme d’erreur. Une représentation d’un tel cas se trouve à la Figure 6.
Nous voyons sur cette figure que les quatre pentes sont identiques : β11 = β12 = β13 = β14 = γ10.
En revanche, les ordonnées à l’origine (β0j) sont différentes pour chaque groupe. Le sous-
modèle de niveau 2 permet donc d’expliquer (modéliser) ces différences en prenant en compte
l’effet de W sur les β0j. Ceci peut se représenter comme sur la Figure 7.
Figure 6: Régression de niveau 2 avec pentes constantes
28
Tél : +229 96422930
Figure 7 : Droites de régression des β0j sur Wj
2.5 Estimation des effets aléatoires et des effets fixes dans les HLM
Deux types d’effets sont estimés dans les HLM : les effets aléatoires et les effets fixes (pour
plus de détails, voir Hofmann, 1997). Les effets fixes correspondent aux γ des équations de
niveau 2. Il s’agit des effets qui ne varient pas selon les unités de niveau 1 et portent donc sur
les variables de niveau 2. Ils sont estimés en utilisant une régression selon la technique des
moindres carrés généralisés (MCG).
En effet, il n’est pas possible d’estimer directement les paramètres des régressions de niveau 2
car les β0j et β1j ne sont pas observés, mais nous disposons de suffisamment d’informations
pour y arriver en substituant les équations (2𝑎) et (2𝑏) dans l’équation (1). Nous obtenons :
𝑦𝑖𝑗 = 𝛾00 + 𝛾01 𝑤𝑗 + 𝛾10 𝑥𝑖𝑗 + 𝛾11 𝑤𝑗 𝑥𝑖𝑗 + 𝑢0𝑗 + 𝑢1𝑗 𝑥𝑖𝑗 + 𝑟𝑖𝑗 (3𝑎), soit:
𝑦𝑖𝑗 = 𝛾00 + 𝛾01 𝑤𝑗 + 𝛾10 𝑥𝑖𝑗 + 𝛾11 𝑤𝑗 𝑥𝑖𝑗 + 𝑢1𝑗 𝑥𝑖𝑗 + 𝑢0𝑗 + 𝑟𝑖𝑗 (3𝑏)
La première partie de l’équation (3𝑏) est qualifiée de modèle “fixe” car les coefficients sont
fixes (non stochastiques) alors que la deuxième partie (𝑢1𝑗 𝑥𝑖𝑗 + 𝑢0𝑗 + 𝑟𝑖𝑗 ) est la partie aléatoire.
Ceci explique pourquoi ces modèles sont aussi parfois nommés modèles “mixtes”.
L’équation (3𝑎) ne correspond pas à l’équation linéaire habituellement utilisée dans la méthode
des moindres carrés ordinaires (MCO). Une estimation efficace et une validation d’hypothèses
en utilisant les MCO supposent que les résidus soient indépendants, aient une distribution
normale et une variance constante. En revanche, le terme d’erreur de l’équation (3𝑎) , (𝑢0𝑗 +
𝑢1𝑗 𝑥𝑖𝑗 + 𝑟𝑖𝑗 ) est plus complexe et a les caractéristiques originales suivantes :
— 𝑢0𝑗 et 𝑢1𝑗 sont identiques pour tous les individus dans le groupe j ce qui rend les résidus
dépendants au sein d’un même groupe ;
29
Tél : +229 96422930
— les résidus ont des variances inégales car 𝑢1𝑗 𝑥𝑖𝑗 + 𝑟𝑖𝑗 dépend de 𝑢0𝑗 et 𝑢1𝑗 , qui varient selon
les groupes, et de la valeur de 𝑥𝑖𝑗 qui varie pour chaque individu.
Les γij sont donc estimés par une régression selon la technique des moindres carrés généralisés.
Les effets aléatoires décrivent les effets qui varient entre unités et correspondent donc aux
variations au sein du modèle de niveau1. Les estimations des coefficients de niveau1 (les β)
pour chaque unité j sont calculées par un score composite fait à partir des données de chaque
unité j et d’une estimation basée sur les données des autres unités (Bryk, Raudenbush et
Congdon, 1999).
Ce point est un aspect original et important des HLM qui va être succinctement présenté pour
en faire comprendre la logique.
Considérons l’exemple d’un HLM, le plus simple possible et qui correspond à une analyse de
variance avec effets aléatoires:
Niveau 1 : 𝑦𝑖𝑗 = β0𝑗 + 𝑟𝑖𝑗 avec 𝑟𝑖𝑗 ~𝑁(0, σ2 )
Niveau 2 : β0𝑗 = γ00 + u0𝑗 avec u0𝑗 ~𝑁(0, 𝜏00 )
Quel est le meilleur estimateur de β0𝑗 ? Nous disposons de deux estimateurs:
— selon le niveau1 : 𝑦.𝑗 est un estimateur non biaisé de β0𝑗 avec une variance V𝑗 (V𝑗 = σ2 /n𝑗 )
avec n𝑗 = nombre d’unités au sein du groupe j) ;
— selon le niveau 2 : 𝛾̂00 est un estimateur commun de chaque β0𝑗 .
Un estimateur bayesien (Lindsey et Smith, 1972), β*0j est calculé en combinant ces deux
estimateurs en fonction d’un coefficient λj : β*0j = λjy.j + (1 – λj)𝛾̂00 avec :
λj = Var(β0j)/Var(y.j) = 𝜏00 / (𝜏00 + Vj).
Le coefficient λj dépend de la qualité de y.j comme estimation de β0j, c’est-à-dire plus y.j est
une estimation précise de β0j, plus λj tendra vers 1 et moins de poids sera donné à la moyenne
des groupes γ00.
Selon la qualité respective des estimations de β0j obtenues par le niveau 1 et par le niveau 2, les
β*0j seront plus ou moins redressés vers γ00.
A présent, reprenons cette même démarche mais en voulant expliquer les variations du modèle
de niveau 1 par une variable de niveau 2, Wj.
Dans ces modèles, seul β0j est supposé varier au niveau 2 en fonction
de Wj. Quel est le meilleur estimateur de β0j ?
Le modèle de niveau 1 ne change pas mais le modèle de niveau 2 devient :
Niveau 2 : β0j = γ00 + γ01Wj + u0j avec u0j ~ N(0, 𝜏00 )
Il existe deux estimateurs de β : selon la moyenne de l’échantillon
30
Tél : +229 96422930
β0j = y.j et selon les valeurs prédites de β0j à partir de Wj soit β0j = γ00 + γ01Wj.
Dans ce cas, l’estimateur Bayesien devient :
β*0j = λjy.j + (1 – λj)(γ00 + γ01Wj) avec λj = Var(β0j) / Var(y.j)
Ceci revient à ramener (redresser) les droites de régression obtenues par une régression MCO
non plus vers la moyenne γ00 mais vers la valeur prédite par le modèle de niveau 2. Plus le
modèle de niveau 2 aura une précision élevée, au détriment de la fiabilité du modèle de
niveau 1, plus son poids augmentera dans le calcul des β*ij et plus les valeurs de l’estimateur
bayesien correspondront aux valeurs prédites par le modèle de niveau 2.
Par exemple, si τ00 = 0,2 et σ2 = 20 pour le groupe 5 comportant 40 individus, V5 = 20 / 40 soit
0,5, alors λ5= 0,2 / 0,7 = 0,30. Le β05 obtenu par la régression MCO au sein du groupe 5 (niveau
1) sera donc fortement redressé vers la valeur estimée par le niveau 2 (régression
MCG ; voir équation (3b)) car les estimations faites au niveau 2 semblent avoir moins de
variations et être de meilleure qualité que celles de niveau 1.
A la différence des régressions (MCO, MCG…), les HLM utilisent donc simultanément toute
l’information disponible à plusieurs niveaux d’analyse pour évaluer les modèles, comme
l’illustre l’estimation des β*ij.
HYPOTHESES D’UTILISATION DES HLM
Les méthodes statistiques mobilisées par les HLM s’appuient sur un certain nombre
d’hypothèses qu’il est important de noter pour appliquer de façon correcte cette technique. Ces
hypothèses sont les suivantes:
— les modèles sont linéaires ;
— les variables explicatives de niveau 1 sont indépendantes des résidus de niveau 1;
— les erreurs aléatoires de niveau 2 (uqj) ont une distribution normale, chacune avec une
moyenne de 0, une variance de σqq ;
— les variables explicatives de niveau 2 sont indépendantes des résidus de niveau 2 ;
— les erreurs de niveau 1 et de niveau 2 sont indépendantes ;
— chaque rij est indépendant et normalement distribué avec une moyenne de 0 et une variance
de σ2 au sein de chaque groupe j de niveau 2 (variance constante des résidus de niveau 1 quelque
soit le groupe j).
En revanche, il peut être intéressant de noter que les HLM permettent de travailler sur des
données déséquilibrées ( c’est-à-dire n’ayant pas le même nombre d’observations dans chaque
unité de niveau 2)
31
Tél : +229 96422930
2.6 Taille des échantillons
Le nombre d’observations s’appréhende à deux niveaux : n le nombre d’observations au sein

de chaque unité de niveau 2 et N le nombre d’unités de niveau 2. Après plusieurs recherches,
Kreft (1996) considère que, pour obtenir des résultats de qualité avec les HLM pour analyser
des relations multiniveaux, un échantillon minimal de n = 30 et N = 30 est nécessaire. Il faut
donc au moins 30 groupes composés chacun de 30 individus. Il existe cependant un arbitrage
entre n et N : si n augmente alors N peut diminuer, et réciproquement. Par exemple, N = 150
permet de n’avoir que n = 5 pour obtenir la même qualité (puissance) de résultat qu’avec
n = 30 et N = 30 (Kreft, 1996).
Les principes et spécificités des HLM étant exposés, il est à présent nécessaire de s’intéresser
aux choix que doit faire le chercheur lors de la réalisation d’un HLM.
2.7 Décisions à prendre lors de la réalisation d’un HLM
L’utilisation des HLM est assez simple et nécessite seulement quelques choix. Le principal
porte sur la spécification des modèles. Les autres choix sont le centrage des variables
indépendantes, le type de méthode utilisée pour estimer les paramètres, et, enfin, le choix d’un
logiciel.
2.7.1 Spécification des modèles
La première démarche pour réaliser un HLM à deux niveaux est de spécifier les modèles des
deux niveaux. Le modèle de niveau 1 décrit les relations au sein de chaque groupe et les modèles
de niveau 2 modélisent les variations des paramètres de niveau 1 entre groupes. Il
n’y a donc qu’un modèle de niveau 1 qui reprend les variables explicatives souhaitées par le
chercheur. En revanche, il y a Q+1 équations de niveau 2, avec Q correspondant au nombre de
variables explicatives présentes dans le modèle de niveau 1.
Il existe de nombreux types de HLM mais trois s’avèrent plus utiles pour les recherches en
éducation.
Le premier type est particulier et est toujours réalisé en début d’analyse: l’analyse de variance
à un facteur avec effets aléatoires. Le HLM est alors de la forme la plus simple possible :
Niveau 1 : 𝑦𝑖𝑗 = β0𝑗 + 𝑟𝑖𝑗 avec 𝑟𝑖𝑗 ~𝑁(0, σ2 )
Niveau 2 : β0𝑗 = γ00 + u0𝑗 avec u0𝑗 ~𝑁(0, 𝜏00 )
Dans ce cas particulier, il n’y a donc aucune variable explicative dans les deux sous-modèles et
les 𝑦𝑖𝑗 et β0𝑗 sont construits comme aléatoires.
32
Tél : +229 96422930
Il s’agit en fait d’une analyse de variance avec la moyenne γ00 , un effet de niveau 2 : u0𝑗 , et un
effet de niveau 1 : 𝑟𝑖𝑗 . Cette analyse est souvent faite dans un premier temps avant de
développer un HLM plus complexe car elle fournit des informations sur la partition de la
variance entre ces deux niveaux, le coefficient intra-classe ρ = 𝜏00 / (𝜏00 + 𝜎 2 ) et teste
l’hypothèse d’égalité de la moyenne entre les groupes. S’il n’y a pas de variance systématique
entre unités de niveau 2, alors il est inutile de développer des HLM pour expliquer une telle
variance.
Certains aspects de niveau 2 (le diplôme académique de l’enseignant, son diplôme
professionnel, sa motivation, la taille de la classe…) ont un impact similaire sur chaque unité
de niveau 1 (la performance des élèves en mathématiques, en français, …). Ceci correspond au
cas déjà exposé au niveau de la Figures 4. Ce type d’effet ne modifiera donc que la valeur
moyenne du résultat entre groupes de niveau 2. Il laisse inchangé la distribution des effets entre
individus au sein d’un groupe. Pour reprendre les équations des HLM, seule l’intersection β0j
variera entre groupes et sera donc expliquée par des variables Wj de niveau 2. La forme des
différents sous modèles sera :
Niveau 1 : 𝑦𝑖𝑗 = β0𝑗 + β1𝑗 x𝑖𝑗 + 𝑟𝑖𝑗
Niveau 2 : β0𝑗 = γ00 + γ01 W𝑗 + u0𝑗 et β1𝑗 = γ10 + u1𝑗
Les effets de niveau 2 jouent à la fois sur la valeur moyenne mais aussi sur la distribution des
effets entre unités de niveau 2. Les pentes et les intersections varient selon les groupes ou
organisations (niveau 2). Une variable W de niveau 2 expliquera alors non seulement
l’intersection des régressions au sein de chaque groupe, comme dans le cas précédent, mais
aussi l’intensité de la relation (leur pente). Par exemple, plus la valeur de W “taille de la classe
” augmente plus la relation constatée pour x et y entre élèves est faible (β1𝑗 devient de plus en
plus petit). A présent, β0𝑗 et β1𝑗 sont donc expliqués par des variables de niveau 2 (Wj ). Les
sous-modèles seront :
Niveau 1 : 𝑦𝑖𝑗 = β0𝑗 + β1𝑗 x𝑖𝑗 + 𝑟𝑖𝑗
Niveau 2 : β0𝑗 = γ00 + γ01 W𝑗 + u0𝑗 et β1𝑗 = γ10 + γ11 W𝑗 + u1𝑗
Une fois les modèles du HLM spécifiés, la seconde décision importante porte sur le centrage
des variables explicatives x.
2.7.2 Centrage des variables indépendantes
Dans les HLM, les intersections et pentes des modèles de niveaux 1 sont les variables
dépendantes des modèles de niveau 2. La signification des ordonnées à l’origine dans le modèle
de niveau 1 va dépendre des valeurs de x𝑖𝑗 avec notamment β0𝑗 qui sera la valeur de
33
Tél : +229 96422930
𝑦𝑖𝑗 pour un individu i avec une valeur de 0 pour 𝑥𝑖𝑗 . Se pose alors la question de savoir si
𝑥𝑖𝑗 = 0 a un sens compte tenu de la variable mesurée. La même question se pose pour les
variables de niveau 2 (Wj).
Contrairement aux régressions habituelles (à un seul niveau) où l’ordonnée à l’origine n’est
pratiquement jamais analysée, pour un HLM, l’ordonnée à l’origine β0𝑗 joue un rôle plus
important car elle est la variable dépendante d’un des sous-modèles de niveau 2. Sa valeur
devient alors importante et ne peut plus être négligée. Selon le choix du chercheur d’une
métrique pour x𝑖𝑗 , cela aura des conséquences sur la valeur de β0𝑗 et son interprétation. Ceci
est illustré par l’exemple graphique de la Figure 8.
Les droites de régression entre x et y pour les trois groupes sont différentes pour leur pente mais
avec une ordonnée à l’origine identique par rapport à l’axe yi. Il n’y aura donc aucune variation
à expliquer entre ces trois groupes pour le sous-modèle de niveau 2 portant sur
β0𝑗 qui sera donc de la forme β0𝑗 = γ00 + u0𝑗 .
Pourtant, sur ce dernier point, si nous changeons la métrique de x𝑖𝑗 en ajoutant, par exemple,
20 unités aux valeurs de x𝑖𝑗 sans changer y𝑖𝑗 , alors nous déplaçons l’axe y𝑖 vers 𝑦𝑖𝑏 et
changeons la valeur des β0𝑗 . Il existe à présent une différence entre les trois groupes toujours
pour les pentes de leurs régressions mais, aussi, pour les ordonnées à l’origine.
Il est alors possible de développer un sous-modèle de niveau 2 qui explique ces différences pour
β0𝑗 à la différence du cas précédent.
De même, un changement des valeurs de x𝑖𝑗 en enlevant 20 unités, donnera un axe 𝑦𝑖𝑐 et de
nouvelles valeurs pour les β0𝑗 . La métrique utilisée pour x𝑖𝑗 joue donc un rôle important dans
les HLM ce qui soulève la question de leur interprétation et centrage éventuel.
Pour rendre ces valeurs plus interprétables, différentes approches ont donc été développées. Il
y a trois grandes possibilités pour les données de niveau 1. La première est de garder les valeurs
d’origine et donc de ne pas les modifier. Ceci est faisable quand l’ordonnée à l’origine
des droites de régression a un sens quand la valeur de x est 0. La seconde option est de centrer
les variables indépendantes autour de la moyenne générale de l’échantillon et de soustraire cette
valeur de la valeur de chaque observation (x𝑖𝑗 – x..). Dans ce cas, β0𝑗 , qui correspond
à une valeur de y𝑖𝑗 pour x𝑖𝑗 centrée, égale zéro indique la valeur pour un individu ayant un
profil moyen au sein de l’échantillon composé de tous les individus (quel que soit leur groupe;
niveau 2). L’analyse porte donc sur la position relative des observations de niveau 1 vis à-vis
de la position moyenne de l’échantillon. Enfin, la troisième possibilité est de centrer les valeurs
autour de la moyenne de chaque groupe (x𝑖𝑗 – x.j). Cette fois ci, β0𝑗 correspond à la valeur
34
Tél : +229 96422930
moyenne au sein du groupe où se trouve l’individu pour la variable indépendante centrée. Les
écarts de l’individu i par rapport à la position moyenne de son groupe j sont alors analysés.
Dans ces deux derniers cas, l’ordonnée à l’origine de la droite de régression peut être plus
facilement interprétable selon la nature des variables étudiées. Pour les variables indépendantes
de niveau 2, logiquement, il n’y a que deux possibilités : garder les valeurs d’origine ou les
centrer autour de la moyenne générale de l’échantillon. Ce choix est cependant moins important
et beaucoup moins fréquent que pour les variables de niveau 1.
Cette question du centrage des données a donné lieu à plusieurs travaux récents qui développent
les conséquences de ces choix. Hofmann et Gavin (1998) traitent en détail de cette question.
Figure 8: Effet du centrage des variables
2.7.3 Estimation des paramètres

Les paramètres à estimer dans l’équation (3a) sont les paramètres de la régression et les
composants de la variance (𝜏00 𝑒𝑡 𝜎 2 ). Il existe principalement deux méthodes pour réaliser
cette opération avec l’hypothèse des HLM que u0𝑗 et r𝑖𝑗 aient une distribution normale : le
maximum de vraisemblance (ML) et le maximum de vraisemblance restreint (REML).
Sans détailler ces approches, ce qui serait trop long ici et apporterait peu à un utilisateur des
HLM, il est important de retenir qu’elles diffèrent peu pour l’estimation des coefficients de la
régression mais peuvent entraîner des différences plus importantes pour les composants
de la variance. Le REML estime ces composants de la variance en tenant compte de la perte de
degrés de liberté, laquelle vient de l’estimation des paramètres de la régression. En revanche,
le ML l’ignore, biaisant ainsi les estimations. Par exemple, l’équation (1) a deux coefficients,
ce qui fait que la méthode REML corrigera l’estimation de σ2 par (n – 2 – 1), n étant le nombre
d’observations, alors que la méthode ML ne le fait pas.Dans le cas d’un nombre de groupes
(niveau 2) relativement petit (N < 30) ceci peut créer des différences importantes (Snijders et
35
Tél : +229 96422930
Bosker, 1999) : les résultats obtenus par la méthode REML sont généralement plus faibles que
ceux de la méthode ML d’un ratio de l’ordre
de (N – F) / N où N est le nombre de groupes (niveau 2) et F est le nombre d’éléments de la
partie fixe de l’équation (3b) (Bryk et Raudenbush, 1992: 44).
Si le nombre de groupes est plus important (N > 30), les différences entre les méthodes REML
et ML sont extrêmement faibles et donc négligeables.
2.7.4 Logiciel utilisé
Suite au développement de nouveaux logiciels, la réalisation de HLM est devenue depuis
quelques années assez facile d’un point de vue pratique. Les principaux logiciels dédiés à ce
type d’analyse sont HLM 5.0 de Raudenbush, Bryk, Cheong et Congdon (2000), Mln de
Rasbash et Woodhouse (1995) et VARCL de Longford (1990). Il est à noter cependant que des
HLM peuvent se faire avec d’autres logiciels plus généralistes, comme SAS (Proc MIXED) ou
SPSS, mais leur usage est plus difficile que celui des logiciels conçus pour les HLM.
Le logiciel utilisé dans la suite de cette recherche est le logiciel SPSS.
2.8 Lecture des résultats : tests statistiques
Les HLM fournissent deux types de tests pour la validation d’hypothèses. Des tests t pour les
paramètres des régressions de niveau 2 (les γ) et de niveau 1 (les β) qui testent que les
estimations de ces paramètres sont bien différentes de zéro. Des tests du Chi-deux permettent
de tester que la variance des résidus de niveau 2 (variance des 𝑢ij c’est-à-dire les 𝜏00 ; 𝜏11 …)
est différente de zéro de façon significative. Si les valeurs des probabilités associées aux Chi-
deux sont inférieures au seuil généralement retenu de 5 %, cela signifie que l’intersection et/ou
les pentes des différents groupes sont significativement différentes entre groupes. Il reste
donc une variance systématique au niveau 2 qui peut éventuellement être modélisée en ajoutant
des variables de niveau 2 et en développant donc un HLM avec des sous-modèles de niveau 2
plus complets. Si les valeurs du Chi-deux ne sont pas significatives, alors toute la variance au
niveau 2 a été modélisée avec les variables retenues et le modèle pourra être considéré comme
fixe (sans composante aléatoire).
2.9 Conclusion
A la lumière de cette présentation des modèles HLM, nous retenons que les meilleurs modèles
d’estimation appropriés dans le cadre des recherches à plusieurs niveaux (multiniveaux) sont
les modèles HLM. Contrairement aux estimateurs des modèles de régressions linéaires (MCO
ou MCG) dans une recherche multiniveau, les estimateurs obtenus à partir des modèles HLM
sont efficaces et non biaisés. Dans la suite de notre recherche, vu la structure de nos données et
nos objectifs, nous choisissons les modèles HLM.
36
Tél : +229 96422930
DEUXIEME PARTIE: PRESENTATION:
 DU PASEC ET DE LA BASE DES DONNEES
PASEC 2014
 DES RESULTATS, INTERPRETATIONS,
DISCUSSIONS
37
Tél : +229 96422930
CHAPITRE 3 : BASE DES DONNEES DE LA
RECHERCHE (PASEC2014)
3.1 Introduction
Le Programme d’Analyse des Systèmes Educatifs de la CONFEMEN (PASEC) existe depuis

1991, il met en œuvre des évaluations visant à rendre compte de la performance des systèmes
éducatifs des pays membres de la CONFEMEN, en Afrique subsaharienne, au Moyen Orient,
Liban et depuis 2011 en Asie du sud-est. Dans la suite nous allons nous intéresser plus sur les
activités menées par le PASEC.
3.2 Présentation du PASEC
Dans l’ensemble, 35 évaluations nationales ont été réalisées dans 24 pays par le PASEC. Ces
évaluations ont permis d’alimenter le débat public sur l’éducation et d’orienter la prise de
décision. Le PASEC a également participé à renforcer les capacités techniques d’évaluation dans les
pays et a contribué au développement d’une culture de l’évaluation dans les pays bénéficiaires.
Depuis 2012, le programme a opéré une réforme en profondeur de sa méthodologie et de ses
outils d’évaluation pour mieux répondre aux besoins des pays et rejoindre les standards
scientifiques internationaux.
Le PASEC, avec son expertise construite au gré de ses 25 ans d’expérience, est devenu
aujourd’hui un programme de référence en matière de recherche sur la qualité de l’éducation
dans les pays francophones du sud. De deux conseillers techniques à ses débuts, le PASEC
compte aujourd’hui huit conseillers techniques repartis dans deux divisions (division gestion
des données et analyse statistique et division instruments et procédures de collecte de données).
Le PASEC est sous la supervision d’un coordinateur. Les données et analyses produites par le
PASEC sont mises à la disposition des ministères de l’éducation des pays concernées, de la
communauté éducative des chercheurs et de la société civile, dans le but de fournir une
contribution francophone au débat sur l’éducation et la gouvernance des systèmes éducatifs. La
méthodologie du PASEC a été conçue dans le but d’évaluer l’efficacité et l’équité des systèmes
éducatifs, tout en déterminant les facteurs scolaires et extrascolaires susceptibles d’influencer
le niveau d’apprentissage des élèves. Un système éducatif efficace permet à tous les enfants de
disposer des compétences et attitudes attendues (fixées par les programmes scolaires) en fin du
cycle primaire. Dans le cadre des évaluations PASEC, un système est considéré efficace
lorsqu’il permet à tous les enfants, ou au moins à une grande majorité, d’atteindre certaines
compétences de base afin de poursuivre sereinement une scolarité primaire et secondaire.
38
Tél : +229 96422930
Un système éducatif équitable tend à réduire les inégalités de scolarisation et de réussite scolaire
entre les différents profils d’élèves, entre les différents types d’écoles et entre les régions. Une
juste répartition des moyens éducatifs entre les régions et entre les écoles à l’intérieur des
régions est un premier pas vers cet objectif.
À cette fin, le modèle méthodologique du PASEC se base sur la mesure de compétences
fondamentales en langue d’enseignement et en mathématiques, en début et en fin de scolarité
primaire, auprès d’un échantillon d’élèves représentatif de la population scolaire de chaque
pays.
L’évaluation PASEC 2014 a permis de collecter de nombreuses informations sur les élèves, les
classes, les écoles, les communautés locales et les politiques éducatives, qui permettent
d’apprécier le niveau de répartition des ressources, de comprendre les pratiques scolaires et de
mettre ces dernières en relation avec les performances des élèves.
3.3 Structure de la base de données
3.3.1 Architecture globale de la base de données

La base de données correspondant au niveau enquêté (6ème année de scolarité au primaire), est
issue de l’évaluation PASEC2014. Cette base de données est constituée de données
hiérarchisées sur deux niveaux de tirage:
- Le premier concerne les données au niveau « élèves » (réponses aux tests de langue et de
mathématiques, réponses aux questionnaires contextuels) ;
- Le deuxième porte sur les données de l’école et de la classe enquêtée (réponses des directeurs
et des enseignants aux questionnaires contextuels qui leur sont adressés).
Les données sont donc structurées selon deux niveaux, à savoir : (i) l’école et la classe; (ii)
l’élève. Le PASEC a prévu collecter des données sur un échantillon standard de 180 écoles en
6e année de scolarité. Au sein de chaque école participante, 20 élèves ont été sélectionnés selon
une procédure aléatoire et simple.
3.3.2 Outils de collecte des données
Trois catégories d’outils de mesure ont été utilisées pour collecter les informations contenues
dans la base de données, à savoir des fiches de suivi, des épreuves cognitives et des
questionnaires contextuels (Voir annexes pour les détails).
3.3.3 Les fiches de suivi
Deux types de fiches de suivi ont été utilisés : les fiches de suivi des élèves et les fiches de suivi
des écoles. Les fiches de suivi des élèves ont permis de collecter des informations sur leur
participation aux différentes épreuves de langue/lecture et de mathématiques et au questionnaire
39
Tél : +229 96422930
contextuel et sur leur éventuelle exclusion pour dysfonctionnement physique ou mental
permanent.
Les fiches de suivi des écoles fournissent des renseignements sur la participation d’une école,
le nombre d’élèves d’un niveau donné dans l’école et dans la classe enquêtée ainsi que le
nombre de classes du niveau enquêté. Ces fiches permettent de croiser l’information collectée
sur les mêmes variables dans les questionnaires aux enseignants et aux directeurs et sont
particulièrement utiles dans le calcul des pondérations.
Les données collectées à partir des fiches de suivi ne sont pas publiées par le PASEC.
3.3.4 Les livrets
Les livrets rassemblent l’ensemble ou un sous-ensemble d’items cognitifs conçus et développés
pour estimer la performance des élèves dans les deux disciplines ciblées par l’enquête ainsi que
le questionnaire contextuel.
En 6ème année de scolarité, quatre livrets ont été utilisés (livret A, livret B, livret C et livret D),
mais chaque élève n’utilise qu’un seul livret parmi les quatre. Comme mentionné plus haut, en
plus des tests de lecture et de mathématiques, les livrets de 6ème année contiennent le
questionnaire contextuel adressé aux élèves pour mesurer leurs caractéristiques personnelles et
celles de leur environnement familial.
3.3.5 Les questionnaires
Les questionnaires ont été adressés aux enseignants des classes dont les élèves ont été
sélectionnés et aux directeurs dont les écoles ont été échantillonnées.
3.4 Variables des bases de données de 6ème année
Dans la base de données de l’évaluation, les catégories de variables suivantes sont présentes :
- les identifiants ;
- les valeurs plausibles en lecture et en mathématiques (les scores) ;
- les items des tests ;
- les variables mesurant les caractéristiques de l’élève et de sa famille ;
- les variables mesurant les caractéristiques personnelles de l’enseignant et les conditions
d’apprentissage dans la classe ;
- les variables mesurant les caractéristiques personnelles du directeur et les conditions
d’apprentissage dans l’école ;
- les variables dérivées (indices) à partir de différentes questions ;
3.4.1 Identifiants
Les différents identifiants sont indiqués dans le tableau ci-dessous.
40
Tél : +229 96422930
Tableau N°9 : Identifiants de la base
Identifiants Libellés
Identifiant unique de l'élève dans la base de données
ID_TOT
ID_ECOLE Identifiant d'une école donnée au sein de la strate
ID_ELEVE Identifiant d'un élève dans une école donnée
ID_STRATE Identifiant d’une strate dans la base
ID_LIVRET Identifiant d’un livret de passation des tests
Source : Fiche technique PASEC 2014
3.4.2 Scores des élèves : les valeurs plausibles en mathématiques

À l’instar des études de l’Association internationale pour l’évaluation du rendement scolaire
(IEA) ou de l’Organisation de coopération et de développement économiques (OCDE) à travers
ses enquêtes cycliques PISA, la performance des élèves aux tests PASEC est estimée en
recourant à la méthodologie des valeurs plausibles. Le chapitre 7 du rapport technique du
PASEC 2014 décrit largement cette méthodologie et l’intérêt d’y recourir dans le cadre de
l’évaluation des systèmes éducatifs.
Pour la discipline évaluée (mathématiques), cinq valeurs plausibles sont assignées à chaque
élève. Ces deux échelles ont été transformées de sorte que la moyenne internationale soit égale
à 500 et l’écart-type à 100.
Tableau 10 : Les valeurs plausibles
LIBELLE
VARIABL
ES
MATHS _PV1 Première valeur plausible en mathématiques
MATHS _PV2 Deuxième valeur plausible en mathématiques
MATHS _PV3 Troisième valeur plausible en mathématiques
MATHS _PV4 Quatrième valeur plausible en mathématiques
MATHS _PV5 Cinquième valeur plausible en mathématiques
Source : Fiche technique PASEC 2014
41
Tél : +229 96422930
3.4.3 Items des tests
Les items de mathématiques sont numérotés de m1 à m81.
Comme tous les items correspondent à des questions à choix multiples, seuls les codes 1 à 4
constituent des codes valides reflétant le choix des élèves.
Plusieurs codes sont utilisés pour les valeurs manquantes. Le code 9 indique que l’élève devait
répondre mais n’a pas répondu, le code 7 signale un item manquant par design (l’item n’a pas
été présenté à l’élève), le code 6 est utilisé pour les réponses invalides (plusieurs réponses
cochées par l’élève au lieu d’une seule) et le code 8 désigne un item non atteint.
Pour plus de détails, voir le manuel d’exploitation des données de l’évaluation internationale
PASEC 2014.
3.4.4 Les variables contextuelles
Les questions contextuelles sont de trois types : les questions adressées aux élèves, celles
adressées aux enseignants des classes enquêtées et celles adressées aux directeurs d’école.
- Questionnaires des élèves
Le questionnaire contextuel adressé aux élèves comporte des questions sur ses caractéristiques
personnelles (qe61 à qe64f), sur son milieu familial, sur les ressources éducatives et sur son
bien-être à l’école.
- Questionnaires des enseignants
Les questionnaires adressés aux enseignants des élèves permettent de collecter des informations
sur leurs caractéristiques individuelles, leur formation académique et professionnelle, leur statut
et rémunération, les caractéristiques de la classe enquêtée, l’enseignement, les réunions et
l’encadrement, les conditions de travail, les infrastructures et les équipements de la classe.
Les variables concernées ici ont pour préfixe « qm ». Dans la base ces variables sont numérotées
de qm61 à qm670b.
- Questionnaire des directeurs
Dans la base de données, les variables mesurant les informations collectées auprès des
directeurs sont précédées de « qd ». Le questionnaire adressé aux directeurs porte sur leurs
caractéristiques individuelles, leur formation académique et professionnelle, leur statut et
rémunération, les caractéristiques de l’école, le mode de gestion de l’école, les relations avec
les parents et la communauté, les aspects pédagogiques et le calendrier scolaire, les
infrastructures et les équipements de l’école.
3.4.5 Les variables dérivées
Plusieurs questions administrées aux élèves, aux enseignants et aux directeurs ont été
synthétisées sous forme d’indices. La construction de ces indices a suivi le même processus de
42
Tél : +229 96422930
développement que les scores aux tests, en utilisant la théorie de réponse à l’item (et en
particulier le modèle logistique à un paramètre, dit « modèle de Rasch », pour item à crédit
partiel). Pour en faciliter l’interprétation, ces indices ont été transformés au niveau international
pour obtenir une moyenne de 50 et un écart-type de 10.
Seul l’indice de niveau socioéconomique des familles des élèves a été dérivé, basé sur les
déclarations des élèves relatives à la possession d’un certain nombre de biens (électricité,
téléviseur, ordinateur, radio, téléphone, congélateur, climatiseur, voiture, tracteur, mobylette,
robinet d’eau courante, latrines avec eau courante, etc.).
Au niveau « Enseignants/classes », trois indices ont été construits : l’équipement de la classe,
la perception des conditions de travail de l’enseignant et les avantages sociaux perçus par
l’enseignant.
L’indice d’équipement de la classe (INDICE_RESSO_PEDA_MT) est estimé à partir d’un
ensemble de variables contextuelles issues des questionnaires aux enseignants et relatives : (i)
au nombre de manuels de mathématique et de lecture disponibles par élève dans la classe ; (ii)
à la disponibilité des manuels, des guides pédagogiques et des programmes de lecture et de
mathématique pour l’enseignant ; (iii) à la disponibilité de matériel pédagogique tel qu’un
tableau, des craies, un dictionnaire, une carte du monde, de l’Afrique et du pays, de matériel de
mesure (équerre, compas, règle) et d’une horloge ; (iv) à la disponibilité d’un bureau et d’une
chaise pour le maître, d’une armoire et d’étagères de rangement pour les livres ; (v) d’un coin
lecture et de tables-bancs en nombre suffisant pour les élèves de la classe.
L’indice de perception des conditions de travail de l’enseignant (INDICE_PERCEPT_MT)
s’intéresse au jugement de l’enseignant sur ses conditions de travail, notamment sur son salaire
et la régularité de son paiement, sur les programmes scolaires, sur la qualité des bâtiments et
des salles de classe, sur la disponibilité des fournitures scolaires, sur la qualité de la gestion de
l’école, sur les relations avec ses collègues et la communauté ainsi que sur les opportunités de
promotion et de formation.
Quant à l’indice de perception (par l’enseignant) des avantages sociaux
(INDICE_AVANTAGES_MT), il est calculé à partir d’un ensemble de variables relatives aux
avantages perçus par l’enseignant dans l’exercice de ses fonctions : le logement ou l’indemnité
de logement, l’accès à l’eau potable, le transport, l’assurance maladie, l’adhésion à un régime
de retraite ou de pension, l’indemnité d’examen ainsi que les primes d’enseignement, de rentrée,
d’affectation et de documentation.
Enfin, quatre indices ont été dérivés au départ des informations recueillies auprès des directeurs:
l’indice de ressources pédagogiques de l’école, l’indice d’aménagement du territoire, l’indice
43
Tél : +229 96422930
de qualité des infrastructures de l’école et enfin l’indice d’implication de la communauté dans
la gestion et la vie de l’école.
L’indice d’infrastructure de l’école (INDICE_INFRASTRUCTURES) est construit à partir
d’un ensemble de variables contextuelles issues des questionnaires aux directeurs. Il s’agit du
nombre de salles de classe fonctionnelles dans l’école par rapport au nombre total d’élèves, de
la disponibilité de certains équipements (un bureau séparé pour le directeur, un magasin de
stockage du matériel, une salle spécifique pour les maîtres, une cours de récréation, un terrain
de sport indépendant, une clôture entourant complètement l’école, une boîte à pharmacie, un
ou des logements pour les maîtres ou le directeur, l’eau courante, une source d’eau potable autre
que l’eau courante et l’électricité) et la présence de toilettes ou de latrines.
L’indice d’aménagement du territoire (INDICE_AMENAG_TERRI) est calculé sur la base de
la disponibilité de biens et services sur le territoire comme une route goudronnée, l’électricité,
un collège, un lycée, un centre de soins ou de santé, un poste de gendarmerie ou de police, une
banque, une caisse d’épargne, un bureau de poste et un centre culturel ou une bibliothèque.
L’indice de ressources pédagogiques de l’école (INDICE_RESSO_PEDA_ECOL) est composé
des variables comme l’existence d’une bibliothèque équipée et fonctionnelle, d’une salle
informatique, d’une photocopieuse, d’un ordinateur, d’une connexion internet, d’un téléviseur
et d’un magnétoscope ou d’un lecteur DVD.
Enfin, l’implication de la communauté (INDICE_IMPLI_COMMUNAU) est composée de
variables comme la fréquence des réunions avec la collectivité locale, l’existence d’une
association de parents d’élèves et d’enseignants, l’existence d’une coopérative scolaire,
l’existence d’un conseil d’école, etc.
3.5 Choix des variables du modèle
La base de données PASEC 2014 est très riche en informations. Le nombre important des
variables qualitatives très détaillées ne permet pas de faire toutes les analyses, même si on a
tendance à vouloir toutes les inclure. Nous avons donc retenu les variables les plus pertinentes,
sur la base de la revue de littérature et d’autres considérations contextuelles. La présence de
variables qualitatives a conduit à une recodification pour obtenir des valeurs binaires pour
chaque modalité de variable.
3.5.1 Variables individuelles des élèves
Les variables individuelles des élèves sont les variables propres aux caractéristiques
individuelles des élèves (âge, sexe, motivation), qui constituent la partie fixe et la première
partie du niveau 1 du modèle. Dans notre base de données, les variables âge, sexe et motivation
de l’élève sont respectivement notées : Sexe_élèv , Age_élèv et Motiv_élèv
44
Tél : +229 96422930
Tableau N°11 : Liste des variables individuelles, symboles et définitions
Variables Modalités Symboles Détails

Garçon
1 Si l’élève est un garçon et
Genre de l’élève Fille Sexe_élèv
0 Sinon
Non
Âge de l’élève Age_élèv L’âge de l’élève
Oui 1 Si l’élève n’est pas motivé
Manque de motivation
Motiv_élèv et
pour les études Non
0 Sinon
Source : L’auteur à partir Base de données PASEC 2014
3.5.2 Environnement familial des élèves

Ce sont des variables propres aux caractéristiques du milieu familial des élèves (Indice
socioéconomique de la famille de l’élève, langue parlée au sein de la famille, disponibilité du
matériel pédagogique des élèves au sein du ménage), qui constituent la deuxième partie du
niveau 1 du modèle. Dans la base des données, la variable indice socioéconomique de la
famille de l’élève est noté SES, celle de la langue parlée en famille est notée Lang_élèv et
enfin la variable documents pédagogiques est notée Doc_péd_élèv.
Construction de la variable SES :
Plusieurs questions administrées aux élèves ont été synthétisées sous forme d’indices. La
construction de ces indices a suivi le même processus de développement que les scores aux
tests, en utilisant la théorie de réponse à l’item (et en particulier le modèle logistique à un
paramètre, dit « modèle de Rasch », pour item à crédit partiel). Pour en faciliter l’interprétation,
ces indices ont été transformés au niveau international pour obtenir une moyenne de 50 et un
écart-type de 10.
L’indice de niveau socioéconomique des familles des élèves a été dérivé, basé sur les
déclarations des élèves relatives à la possession d’un certain nombre de biens (électricité,
téléviseur, ordinateur, radio, téléphone, congélateur, climatiseur, voiture, tracteur, mobylette,
robinet d’eau courante, latrines avec eau courante, etc.).
45
Tél : +229 96422930
Tableau N°12 : Liste des variables de l’environnement familial, symboles
et définitions
Parle français à la
1 Si l’élève Parle
maison
langue parlée au sein français à la maison et
Ne parle jamais Lang_élèv
de la famille 0 Si non
français à la maison
Manque de motivation Oui 1 Si Oui
de la part des familles
Non Motiv_famille 0 Si non
pour l’école
Indice
Possession d’un certain
socioéconomique de SES
nombre de biens
la famille de l’élève
Oui 1 Si l’élève possède un
Répétiteur repetiteur répétiteur et
Non
0 Si non
Existance des livres
1 Si Existence des
Disponibilité du à la maison
livres à la maison et
matériel pédagogique Doc_péd_élèv
Absence des livres à 0 Si Absence des
des élèves au sein du
la maison livres à la maison
ménage
3.5.3 Variables de contexte scolaire

Ce sont les variables propres aux écoles à savoir la taille de la classe, l’enseignant, les
ressources pédagogiques de la classe et les infrastructures de l’école. La taille de la classe est
mesurée par la variable effectif pléthorique des classes (Eff_plétho). Les variables liées à
l’enseignant sont : son âge (Age_enseig), son genre (Sexe_enseig), son diplôme professionnel
(Dipl_enseig), son ancienneté (Exp_prof) et sa motivation (Motv_enseig). Les ressources
pédagogiques de la classe quant à elles, sont mesurées par l’indice des ressources pédagogiques
de la classe ( INDICE_RESSO_PEDA_MT). Et enfin, les infrastructures de l’école sont
mesurées par la variable indice d’infrastructure de l’école ( INDICE_INFRASTRUCTURE).
Ces variables constituent le niveau 2 du modèle.
46
Tél : +229 96422930
Tableau N°13 : Liste des variables contextuelles, symboles et définitions
Homme
1 si l’enseignant est un
Genre de homme et
Femme Sexe_enseig
l’enseignant 0 sinon
Âge de
Age_enseig L’âge de l’enseignant
l’enseignant
Niveau Niveau 1ère au plus
0 Si niveau 1ère au plus et
académique de Au moins Niveau Niv_academ_enseig
9 1 Si terminale au moins
l’enseignant Terminale
Ressources
l’indice des ressources
pédagogiques INDICE_RESSO_PEDA_
pédagogiques de la classe
de la classe MT
les
INDICE_INFRASTRUCT L’ indice d’infrastructure
infrastructures
URE de l’école
de l’école
Manque de
Oui 1 Si oui
motivation
Motiv_enseig et
pour
Non 0 Si non
l’enseignement
3.5.4 Variable endogène

La dernière variable est la variable endogène qui est ici les scores des élèves en français et en
mathématiques.
À l’instar des études de l’Association internationale pour l’évaluation du rendement scolaire
(IEA) ou de l’Organisation de coopération et de développement économiques (OCDE) à travers
ses enquêtes cycliques PISA, les scores des élèves aux tests PASEC sont estimés en recourant
à la méthodologie des valeurs plausibles (pour plus d’informations, le rapport technique du
PASEC 2014 décrit largement cette méthodologie et l’intérêt d’y recourir dans le cadre de
l’évaluation des systèmes éducatifs).
47
Tél : +229 96422930
Pour chacune des deux disciplines évaluées (mathématiques et français), cinq valeurs plausibles
sont assignées à chaque élève. Ces deux échelles ont été transformées de sorte que la moyenne
internationale soit égale à 500 et l’écart-type à 100.
Pour une estimation des différents modèles, les valeurs plausibles en mathématiques et en
français seront utilisées comme variable endogène.
Nous schématisons ci-dessous les effets probables des variables explicatives sur les scores en
Mathématiques ou en Français.
Figure 9 : Forme schématique du modèle multiniveaux
Niveau 2 : Ecole
Taille des classes
Enseignant
Ressources pédagogiques de la classe
et Infrastructure de l’école
Niveau 1: L’Elève et son Environnement familial

Âge de l’élève
Sexe de de l’élève
Motivation de l’élève
Langue parlée en famille
M Motivation des familles pour l’école

Documents pédagogiques
In
Indice socioéconomique de la famille de l’élève
Performance de l’élève
48
Tél : +229 96422930
CHAPITRE 4 : PRESENTATION, INTERPRETATION
ET DISCUSSION DES RESULTATS
4.1 Introduction
Ce chapitre est réservé à la présentation des résultats issus des traitements des données de
l’étude ainsi qu’aux discussions de ces résultats sans oublier les implications, limites et
perspectives de cette recherche. Il est donc question de présenter d’abord les résultats de la
phase quantitative de l’étude. Cela passe par les traitements préliminaires y compris les
statistiques descriptives et après les différentes estimations s et leurs tests statistiques. Ensuite,
les résultats obtenus seront discutés puis enfin les implications, limites et perspectives de
recherche seront examinées.
4.2 Statistiques descriptives
Cette section présentera les caractéristiques de l’échantillon (statistiques uni-variées). Quant

aux statistiques croisées avec les scores en mathématiques, elles seront présentées en annexes.
4.2.1 Variables liées à l’élève
Figure 10 : L’âge de l’élève
Source : L’auteur à partir du logiciel SPSS
49
Tél : +229 96422930
Tableau N°14: Statistiques de la variable « Age »
Âge de l'élève
Effectifs Pourcentage Pourcentage Pourcentage
valide cumulé
8 9 ,3 ,3 ,3
9 130 4,3 4,4 4,7
10 506 16,7 17,0 21,6
11 598 19,7 20,1 41,7
12 655 21,6 22,0 63,7
13 525 17,3 17,6 81,3
Valide
14 346 11,4 11,6 92,9
15 160 5,3 5,4 98,3
16 36 1,2 1,2 99,5
17 10 ,3 ,3 99,8
18 2 ,1 ,1 99,9
19 2 ,1 ,1 99,9
22 2 ,1 ,1 100,0
Total 2981 98,3 100,0
Manquante Système 52 1,7
manquant
Total 3033 100,0
Nous constatons que sur les 3033 élèves du CM2 enquêtés, 2981 élèves ont donné leur âge.
L’âge des élèves varie de 8 ans à 22 ans. Il y a 9 élèves qui ont 8 ans et 2 élèves qui ont 22 ans.
Ces deux valeurs sont des valeurs aberrantes. La grande partie des élèves ont leur âge compris
entre 10 et 13 ans, ce qui est raisonnable pour un élève de sixième année du primaire. La figure
10 confirme notre analyse.
Tableau N°15 : Statistiques de la variable « Sexe »
Genre de l'élève
Effecti Pourcentage Pourcentage
Pourcentage
fs valide cumulé
Garçon 1400 46,2 46,2 46,2
Fille 1633 53,8 53,8 100,0
Valide
Total 3033 100,0 100,0
50
Tél : +229 96422930
Des 3033 élèves, il y a 1400 garçons et 1633 filles. Soit respectivement 46,2% et 53,8% des
élèves du CM2 enquêtés. Le principe du genre est plus ou moins respecté. Les proportions de
filles et de garçons sont voisines. L’échantillon est bien représentatif sur ce point.
Tableau N°16 : Statistiques de la variable « Manque de motivation »
Le manque de motivation de l'élève pour les études

Pourcentage Pourcentage
Effectifs Pourcentage
valide cumulé
Oui 1531 50,5 50,5 50,5
Non 1502 49,5 49,5 100,0
Valide
Total 3033 100,0 100,0
Parmi les 3033 élèves, 1531 ne sont pas motivés pour les études tandis que 1502 sont motivés
pour les études. Donc environ la moitié des élèves enquêtés sont motivés pour étudier.
4.2.2 Environnement familial des élèves
Figure 11 : Indice socioéconomique de la famille
L’indice socio-économique moyenne des familles des élèves enquêtés est de 51,65. Ce qui est
supérieur à la moyenne internationale qui est de 50. L’écart-type de l’indice est de 8,809 qui est
plus petit que l’écart-type international. Graphiquement l’indice socio-économique suit une loi
normale de moyenne 51,65 et d’écart-type 8,809.
51
Tél : +229 96422930
Tableau N°17 : Statistiques de la variable « Posséder de livres à domicile »
81,7% des élèves enquêtés ne possèdent pas de documents pédagogiques à la maison ; 11,6%
possèdent des livres à domicile et 6,7% ne se sont pas prononcés sur la disponibilité ou non
du matériel pédagogique dans leurs ménages respectifs.
Tableau N°18 : Statistiques de la variable « Langue parlée à domicile »

81,7% des élèves du CM2 de notre échantillon parlent le français avec au moins un membre de
leur famille à la maison tandis que 15,6% ne parlent jamais le français à la maison. 2,8% de ces
élèves ne se sont pas prononcés.
Tableau N°19 : Statistiques de la variable « Répétiteur à domicile »

52
Tél : +229 96422930
56,8% des élèves de notre échantillon n’ont pas de répétiteur à la maison ; 22,2% en dispose à
la maison et 21% de ces élèves ne se sont pas prononcés sur cette question.
Figure 12: Manque d'intérêt de la famille pour les études
Tableau N°20: Statistique de la variable « Manque d'intérêt de la famille pour les études »
D’après le diagramme ci-dessus, la proportion des parents qui ne portent pas d’intérêt aux
études de leurs enfants est plus grande que celle des parents qui accompagnent la scolarité
de leurs enfants. En effet d’après le tableau N°20, nous avons 60,8% des familles ne
s’intéressent pas aux études de leurs enfants. C’est seulement 39,2% qui sont motivées pour
accompagner leurs enfants dans les études.
4.2.3 Variables du contexte scolaire
4.2.3.1 Les classes de l’échantillon
Figure 13: Taille des classes
53
Tél : +229 96422930
88,49% des classes enquêtées présentent un effectif normal tandis que 11,51 % des classes ont
des effectifs pléthoriques. Ainsi la grande majorité des élèves se trouvent dans des conditions
normales d’apprentissage en ce qui concerne l’aération des salles de cours.
4.2.3.2 Ressources pédagogiques de la classe

Figure 14: Indice des ressources pédagogiques des classes regroupées en classe
Etant donné que l’indice des ressources pédagogiques des classes suit une loi normale de
moyenne 50 et d’écart-type 10, alors d’après la figure 14 ci-dessus, moins 19% des classes ont
un indice des ressources pédagogiques inférieur à la moyenne et plus 81% disposent d’un
indice supérieur à la moyenne. Ainsi la grande majorité des classes scolaires dispose des
manuels pédagogiques pour le bon déroulement des activités pédagogiques. Le tableau 21
suivant vient confirmer les données de la figure 14.
Tableau N°21: Indice des ressources pédagogiques des classes regroupées
4.2.4. Les variables liées aux enseignants des classes enquêtées

4.2.4.1 Variable genre de l’enseignant
Tableau N°22: Genre des enseignants
54
Tél : +229 96422930
Figure 15 : Genre des enseignants
87,2% des enseignants sont des hommes et seulement 12,8% sont des femmes. La gente
féminine enseignante est donc moins représentée dans l’échantillon de notre étude. Cela est
dû au faible taux des personnelles enseignantes au Benin.
4.2.4.2 Âge des enseignants

Tableau N°23 : Histogramme des Âge des enseignants
Figure 16 : Âge des enseignants
L’âge moyen des enseignants est de 42,79 ans et l’écart-type est 10,173 ans. A l’analyse de ce
tableau, nous constatons que 15,2% des enseignants ont un âge compris entre 21 et 30 ans ;
26,8%, un âge compris entre 31 et 40 ans ; 23,8% , un âge situé entre 41 et 50 ans et 34,1%
55
Tél : +229 96422930
des maîtres ont leurs âgés se trouvant entre 51 et 60 ans. Les enseignants de cette tranche d’âges
sont d’ailleurs les plus nombreux. Les enseignants dont les âges appartiennent à la tranche 21
à 30 ans sont les moins nombreux.
4.2.4.3 Niveau académique des enseignants
Figure 17 : Diagramme du Niveau académique des enseignants
Tableau N°24: Niveau académique des enseignants

Le niveau académique le plus élevé atteint par la majorité des enseignants est la classe de 1ère
soit 51,2% des enseignants. Seulement 4,9% des enseignants ont un niveau supérieur ou égal à
Bac+4. Il faut également noter que 73,2% des enseignants n’ont pas mis pied à l’université. Il
faut aussi rappeler que, vu le niveau général des enseignants, ils sont aptes à intervenir au
primaire sur le plan académique.
56
Tél : +229 96422930
4.2.4.4 Diplôme professionnelle des enseignants
Tableau N°25 : Statistique de la variable Diplôme professionnelle des enseignants
9,1% des enseignants n’ont aucun diplôme professionnelle, 88,5% ont de diplômes
professionnelles dont 67,1% le CEAP et 21,3% le CAP. On note aussi que 1,8% des enseignants
ont autres diplômes. Le graphique suivant donne une illustration.
Figure 18 : Diplôme professionnelle des enseignants
57
Tél : +229 96422930
4.2.4.5 Statut des enseignants
Tableau N°26: Statut des enseignants
Sur un total de 164 maîtres, 88,5% sont des Agents de l’Etat et 19,5% sont des enseignants non
Agents de l’Etat.
4.2.4.6 Expérience professionnelle des enseignants

Tableau N°27: Expérience professionnelle des maîtres
expérience professionnelle récodée

Pourcentage Pourcentage
Fréquence Pourcentage valide cumulé
Valide " 0 à 5 ans " 17 10,3 10,3 10,3
" 6 à 10 ans " 42 25,5 25,5 35,8
" 11 à 20 ans " 41 24,8 24,8 60,6
" 21 à 30 ans " 62 38,2 38,2 98,8
" plus de 30 ans " 2 1,2 1,2 100,0
Total 164 100,0 100,0
Dans cet échantillon, 10,3% des enseignants ont un nombre d’années d’expérience inférieurs
ou égaux à 5 ans. 25,5% des enseignants ont une expérience professionnelle allant de 6 ans à
10 et 64,2% ont plus de 10 ans d’expérience professionnelle. Donc la plupart des enseignants
sont professionnellement qualifiés pour donner un bon enseignement.
4.2.4.7 Variable « manque de motivation des enseignants »
Tableau N°28: Manque de motivation des enseignants
58
Tél : +229 96422930
Sur 164 enseignants, 156 sont motivés à enseigner soit un pourcentage de 95,1%. Ainsi la
grande majorité des enseignants des classes enquêtées sont motivées à exercer le métier
d’enseignement comme le montre la figure suivante :
Figure 19 : Manque de motivation des enseignants
4.2.5 Ressources pédagogiques de l’école

Tableau N°29: Indice de ressources pédagogiques de l’école

A la lecture de ce tableau, nous constatons que 70,1% des écoles ont pour indices de ressources
pédagogiques 45,66. Ce qui est inférieur à la moyenne internationale qui est de 50 avec un écart type
égal à 10. Une seule école sur les 164, soit 0.6% dispose d’un indice de ressources pédagogiques
supérieur au double de celui international. Le graphique suivant est une illustration à quelques virgules
près.
59
Tél : +229 96422930
Figure 20: Indice de ressources pédagogiques de l’école
4.2.6 Indice des infrastructures

Tableau N°30: Indice des infrastructures
D’après le tableau ci-dessus, 71,3% des écoles ont un indice d’infrastructure compris entre 50,01 et 81.
Ce qui est supérieur à la moyenne internationale qui est de 50. Seule 28,7% des écoles ont un indice en
deçà de la moyenne. Le graphique suivant est une illustration.
Figure 21: Indice des infrastructures
60
Tél : +229 96422930
4.2.7 Indice de perception (par le maitre) des avantages sociaux
Tableau N°31: Indice de perception (par le maitre) des avantages sociaux

D’après le tableau 30, moins de 24% des maîtres ont un indice de perception des avantages sociaux
inférieur à la moyenne internationale. Ainsi plus de 75% des maîtres ont une bonne perception des
avantages sociaux. Ce qui peut être une source de motivation pour mieux enseigner. Le graphique
suivant confirme notre analyse.
Figure 22 : Indice de perception (par le maitre) des avantages sociaux
4.2.7 Indice de perception (par le maitre) des conditions de travail

Tableau N°32: Indice de perception (par le maitre) des conditions de travail
61
Tél : +229 96422930
D’après le tableau 31, plus de 70% des maîtres apprécient bien les conditions de travail dans
leurs écoles respectives.
4.2.8 Les scores en Mathématiques
Figure 23 : Les scores en Français
En passant en revue la figure 23, nous remarquons que les scores en mathématiques suivent une
loi normale de paramètres respectifs 480,19 et 85,774. La moyenne internationale des scores
est de 500 avec un écart-type égal à 100. Ainsi la moyenne des scores en mathématiques est
inférieure à celle internationale. Les élèves ont alors un niveau faible en mathématiques.
4.3 Estimations des modèles multiniveaux et analyse des Résultats
Notre étude porte sur un échantillon de données du PASEC 2014. L’objectif de cette section est
d’illustrer la réalisation d’un HLM, de faire la lecture des résultats et après procéder à leurs
analyses en vue de retenir le modèle estimé le plus approprié. Notre échantillon comporte 164
écoles dans lesquelles 3033 élèves du CM2 ont été interrogés. Il faut noter que dans chaque
école une seule classe de CM2 a été sélectionnée pour participer à l’étude. Nous considérons
dans notre recherche deux niveaux hiérarchiques : au niveau 1, les élèves et leur environnement
familial et au niveau 2, les écoles et les enseignants sélectionnées.
62
Tél : +229 96422930
Au niveau 1, la variable dépendante y, représente la performance des élèves en
Mathématiques en fin de scolarité du primaire et les variables explicatives x sont
mesurées au niveau des élèves.
Au niveau 2, nous disposons des variables du contexte scolaire (les variables liées aux
enseignants et celles liées aux écoles ou aux classes) qui caractérisent les écoles.
4.3.1 Analyse de variance (étape 1)
La première étape consiste à réaliser une analyse de variance à un facteur à effets aléatoires.
Avant d’élaborer un HLM plus sophistiqué pour expliquer une variance entre groupes de la
variable dépendante y, il est utile de vérifier si cette variance existe de façon significative.
Comme cela a été exposé dans la partie théorique, un HLM de la forme ci-après sera réalisé :
Niveau 1 : 𝑦𝑖𝑗 = β0𝑗 + β1𝑗 + 𝑟𝑖𝑗
Niveau 2 : β0𝑗 = γ00 + u0𝑗
Le premier résultat intéressant de cette analyse, réalisée avec le logiciel SPSS, est :
Tableau N°33: Estimations des paramètres de covariance de l’étape 1
La ligne intitulée "Résidu" indique la variance estimée des résidus 𝑦𝑖𝑗 − 𝑦̂𝑖𝑗 , soit
𝜎̂ 2 = 3615,93 alors que la seconde ligne, indique en fait la variance de l'ordonnée aléatoire,
τ̂20 = 4394,55. Est-ce que cette variance est "significative" ? Le test de Wald et sa signification,
rapportés dans les 4e et 5e colonnes, peut être utilisée pour vérifier si cette variance est
"significative". Toutefois, c'est un test généralement invalide car estimée sur la marge de la
distribution (une variance ne pouvant pas être négative). C'est pour cela qu'on lui préfère
l'examen de l'intervalle de confiance.
Ici, les valeurs probables (à 95%) de cette variance se situent entre 3503,74 et 5511,83 ce qui
est le cas de, τ̂20 = 4394,55. On peut donc conclure qu'il existe une hétérogénéité significative
entre les sujets, justifiant ainsi une approche multiniveau.
On peut même quantifier plus précisément l’hétérogénéité en calculant le coefficient de
corrélation intra-classe (ICC), comme le ratio de la variance de l'ordonnée sur la somme des
63
Tél : +229 96422930
4394,55
deux variances : ICC = ρ = τ̂20 / (τ̂20 + 𝜎̂ 2 ) = 4394,55+3615,93 = 0,5486.
Selon cette définition mathématique, on peut donc affirmer que 54,86% de la variance des
scores en Mathématiques des élèves est attribuable aux différences entre les 164 écoles.
4.3.2 Modèles avec les variables explicatives liées au niveau 1 (étape 2)
A présent, il est nécessaire de commencer à développer un HLM plus complexe. Pour cela, nous
allons spécifier le modèle 1 selon l’hypothèse de la recherche tout en gardant les sous-modèles
de niveau 2 de l’étape précédente. La forme des modèles testés est :
Niveau 1 : 𝑺𝑪𝑶𝑹_𝑬𝑴𝑨𝑻𝑯𝑺 𝒊𝒋 = 𝜷𝟎𝒋 + 𝜷𝟏𝒋 ∗ 𝑺𝒆𝒙𝒆_é𝒍è𝒗𝒊𝒋 + 𝜷𝟐𝒋 ∗ 𝑨𝒈𝒆_é𝒍è𝒗𝒊𝒋
+𝜷𝟑𝒋 ∗ 𝑳𝒂𝒏𝒈_é𝒍è𝒗𝒊𝒋 + 𝜷𝟒𝒋 ∗ 𝑴𝒐𝒕𝒊𝒗_𝒇𝒂𝒎𝒊𝒍𝒍𝒆𝒊𝒋 + 𝜷𝟓𝒋 ∗ 𝑺𝑬𝑺𝒊𝒋 + 𝜷𝟔𝒋 ∗ 𝑫𝒐𝒄_𝒑é𝒅_é𝒍è𝒗𝒊𝒋 + 𝜷𝟕𝒋
∗ 𝒓𝒆𝒑𝒆𝒕𝒊𝒕𝒆𝒖𝒓𝒊𝒋 + 𝜷𝟖𝒋 ∗ 𝑴𝒐𝒕𝒊𝒗_é𝒍è𝒗𝒊𝒋 + 𝒓𝒊𝒋
Niveau 2 : 𝜷𝟎𝒋 = 𝜸𝟎𝟎 + 𝒖𝟎𝒋 et 𝜷𝟏𝒋 = 𝜸𝟏𝟎 + 𝒖𝟏𝒋

Le modèle de niveau 2 permet de gérer le problème de la non indépendance des observations.
Si, suite à cette analyse, le test du Chi-deux confirme qu’il existe une variance systématique au
niveau 2 qui peut être modélisée, alors nous élaborerons des sous-modèles de niveau 2 plus
complets avec les variables dépendantes Niv_academ_enseig ; Exp_profess_enseig ;
INDICE_RESSO_PEDA_MT ; Motiv_enseig ; INDICE_RESSO_PEDA_ECOL etc….
Le HLM donne les résultats suivants:
4.3.2.1 Estimation des effets fixes
Tableau N°34: Tableau des dimensions du modèle
Le tableau des dimensions du modèle (voir Tableau N°33) permet de s'assurer que le modèle
multiniveau a été bien spécifié. On peut voir que 1 + 1+ 1+ 1+ 1+ 1+ 1+ 1+ 1= 9 paramètres
64
Tél : +229 96422930
sont à estimer pour les effets fixes : β0 ; β1 ; β2 ; β3 ; β4 ; β5 ; β6 , β7 et β8 . Il y a quarante et
cinq paramètres pour les effets aléatoires (les neuf variances 𝜏00 ; 𝜏11 ; 𝜏22 ; 𝜏33 ; 𝜏44 ; 𝜏55 ,
𝜏66 , 𝜏77 , 𝑒𝑡 𝜏88 , et les trente et six covariances) et le dernier paramètre pour la variance de
l'erreur , 𝜎 2 pour un total de 55 paramètres à estimer.
Tableau N°35: Tableau des estimations des effets fixes du modèle

Le tableau N°34 de cette section présente l'estimation des paramètres des effets fixes
(voir tableau 34). Ces résultats révèlent qu'au temps x = 0, une "trajectoire typique" d'un
̂0 =604,05. Nous constatons aussi que
élève débute avec un score moyen en Mathématiques de β
les variables SES, Motiv_élèv et Doc_péd_élèv ne sont pas significatives au seuil de 5%.
Reprenons alors l’estimation en les enlevant du modèle. Nous obtenons le tableau suivant :
Tableau N°36: Estimations des effets fixes du modèle sans SES, Motiv_élèv et Doc_péd
65
Tél : +229 96422930
Significativité des variables
̂1 = −18,07 ; t(ddl = 0,000 ) = -5,76 ; p = 0,05. On peut
Pour la variable Sexe_élèv, on a β
noter ici que, selon le seuil 𝛼= 5%, la p-valeur observée permet le rejet de l'hypothèse nulle H0
̂1= 0 (|𝑡| = 5,76 > 𝑝), donc on peut dire que la variable 𝐒𝐞𝐱𝐞_é𝐥è𝐯 est statistiquement
:β
significative au seuil de 5%.
Avec le même raisonnement, on aboutit à la conclusion que toutes les variables 𝑨𝒈𝒆é𝒍è𝒗 ;
𝑳𝒂𝒏𝒈é𝒍è𝒗 ; 𝑴𝒐𝒕𝒊𝒗𝒇𝒂𝒎𝒊𝒍𝒍𝒆 et 𝒓𝒆𝒑𝒆𝒕𝒊𝒕𝒆𝒖𝒓 sont statistiquement significatives au seuil de 5%.
4.3.2.2 Estimation des effets aléatoires
Tableau N°37: Estimations des paramètres de covariance
L'estimation des effets aléatoires est présentée dans le tableau 36 ci-dessus. La ligne intitulée
"Résidu" indique la variance estimée des résidus 𝑦𝑖𝑗 − 𝑦̂𝑖𝑗 , soit 𝜎̂ 2 = 2353,49.
Comparativement à l’estimation de la variance des résidus de l’étape 1 dans lequel le modèle
ne comportait pas des variables explicatives, il y a eu une réduction de près de 34,91% de la
variance estimée des résidus. Ainsi l’introduction des variables explicatives a un sens. Les
vingt-un autres lignes rapportent les variances et covariances estimées pour les effets aléatoires.
Rappelons-nous que ces effets se distribuent selon une loi normale bivariée avec une certaine
forme non-structurée (UN) de matrice de variance-covariance UN(i,j). UN(1,1) indique la
66
Tél : +229 96422930
variance à la position 1,1 (rangée 1, colonne1) de la matrice, soit la variance estimée de
l'ordonnée à l'origine : 𝝉̂𝟎𝟎 = 𝟖𝟐𝟔𝟖, 𝟓𝟒.
L’intervalle de confiance indique des valeurs possibles (à 95%) entre 3842,12 et 17794,50 pour
l'ordonnée. N'incluant pas la valeur 0, (H0 : 𝜏00 = 0; H1 : 𝜏00 > 0), on peut rejeter l'hypothèse
nulle (H0 : 𝜏00 = 0) et conclure que la variance de l'ordonnée est bien non-nulle. En clair, il
existe bel et bien une diversité significative dans le point de départ (ordonnée à l'origine) des
trajectoires estimées.
L'estimé de la variance des pentes situé à la position 3,3 de la matrice UN est: 𝜏̂22 = 771,80.
Zéro n’appartient pas à l'intervalle de confiance, ce qui suggère qu'on peut rejeter l’hypothèse
H0 : 𝜏22 = 0. De la même manière, on constate que 𝜏̂ 22 ; 𝜏̂44 ; 𝜏̂ 55 𝑒𝑡 𝜏̂ 66 sont toutes différentes
de 0 au seuil de 5%. On peut donc conclure que les pentes présentent de variabilité entre les
3033 élèves.
En examinant les intervalles de confiance des covariances, nous constatons que zéro appartient
à toutes ces intervalles de confiance. Ainsi, nous ne pouvons pas rejeter avec confiance
l’hypothèse nulle H0 : 𝜏ij = 0 avec 𝑖 ≠ 𝑗. Cela entraine que les variables explicatives sont
indépendantes. Cela est conforme à nos hypothèses sur les variables explicatives. Ce résultat
suggère que les ordonnées et les pentes des N =3033 trajectoires varient de façon indépendante
dans cet échantillon.
Pour la suite de notre recherche, il est intéressant d’estimer un modèle multiniveaux plus
complet.
4.3.3 Modèles avec les variables explicatives liées aux niveaux 1 et 2 (étape 3)
4.3.3.1 Insertion des variables du niveau 2 dans 𝜷𝟎𝒋 seul
A présent, nous allons ajouter les variables Age_enseig, Sexe_enseig, Niv_academ_enseig et
INDICE_INFRASTRUCTURES dans le sous-modèle de β0j. L’objectif est de voir si ces variables de
niveau 2 ont un impact modérateur sur la relation entre les variables explicatives de niveau 1 et
le score en mathématiques.
(Modèle 1)
Niveau 1 :
𝑆𝐶𝑂𝑅𝐸𝑀𝐴𝑇𝐻𝑆 = 𝛽0𝑗 + 𝛽1𝑗 ∗ 𝐴𝑔𝑒é𝑙è𝑣 𝑖𝑗 + 𝛽2𝑗 ∗ 𝑆𝑒𝑥𝑒é𝑙è𝑣 𝑖𝑗 + 𝛽3𝑗 ∗ 𝐿𝑎𝑛𝑔é𝑙è𝑣 𝑖𝑗 + 𝛽4𝑗 ∗ 𝑟𝑒𝑝𝑒𝑡𝑖𝑡𝑒𝑢𝑟 +
𝑖𝑗
𝛽5𝑗 ∗ 𝑀𝑜𝑡𝑖𝑣_𝑓𝑎𝑚𝑖𝑙𝑙𝑒𝑖𝑗 + 𝑟𝑖𝑗 avec 𝑖 = 1 à 3033 ; 𝑗 = 1 à 164

Niveau 2 :
 𝛽0𝑗 = 𝛾00 + 𝛾01 ∗ 𝑁𝑖𝑣𝑎𝑐𝑎𝑑𝑒𝑚𝑒𝑛𝑠𝑒𝑖𝑔 + 𝛾02 ∗ 𝐴𝑔𝑒_𝑒𝑛𝑠𝑒𝑖𝑔𝑗 + 𝛾03 ∗ 𝑆𝑒𝑥𝑒_𝑒𝑛𝑠𝑒𝑖𝑔𝑗 + 𝛾04 ∗
𝑗
INDICEINFRASTRUCTURES 𝑗 + 𝑢0𝑗 et
 𝜷𝒌𝒋 = 𝜸𝒌𝟎 + 𝒖𝒌𝒋 avec j = 1 à 164 et k = 1 à 5

67
Tél : +229 96422930
Tableau N°38 : Estimation des effets fixes
Le tableau 38 montre que toutes les variables sont significatives au seuil de 5% hormis les
variables Motiv_famille, Sexe_enseig et Niv_academ_enseig qui sont non significatives au
seuil de 5%. Par suite ces variables de niveau 2 non significatives ne contribuent pas à la
formation du score en Mathématique
4.3.3.2 Insertion des variables du niveau 2 dans 𝜷𝐤𝒋
A présent, nous allons ajouter les variables Age_enseig, Sexe_enseig, Niv_academ_enseig et
INDICE_INFRASTRUCTURES dans le sous-modèle de β0j. L’objectif est de voir si ces variables de
niveau 2 ont un impact modérateur sur la relation entre les variables explicatives de niveau 1 et
le score en mathématiques.
(Modèle 2)
Niveau 1 :
𝑆𝐶𝑂𝑅𝐸𝑀𝐴𝑇𝐻𝑆 = 𝛽0𝑗 + 𝛽1𝑗 ∗ 𝐴𝑔𝑒é𝑙è𝑣 𝑖𝑗 + 𝛽2𝑗 ∗ 𝑆𝑒𝑥𝑒é𝑙è𝑣 𝑖𝑗 + 𝛽3𝑗 ∗ 𝐿𝑎𝑛𝑔é𝑙è𝑣 𝑖𝑗 + 𝛽4𝑗 ∗
𝑖𝑗
𝑟𝑒𝑝𝑒𝑡𝑖𝑡𝑒𝑢𝑟 + 𝛽5𝑗 ∗ 𝑀𝑜𝑡𝑖𝑣_𝑓𝑎𝑚𝑖𝑙𝑙𝑒𝑖𝑗 + 𝑟𝑖𝑗 avec i = 1 à 3033 ; j = 1 à 164

Niveau 2 :
 𝜷𝟎𝒋 = 𝜸𝟎𝟎 + 𝒖𝟎𝒋 et
 𝛽𝑘𝑗 = 𝛾𝑘0 + 𝛾𝑘1 ∗ 𝑁𝑖𝑣𝑎𝑐𝑎𝑑𝑒𝑚𝑒𝑛𝑠𝑒𝑖𝑔 + 𝛾𝑘2 ∗ 𝐴𝑔𝑒_𝑒𝑛𝑠𝑒𝑖𝑔𝑗 + 𝛾𝑘3 ∗ 𝑆𝑒𝑥𝑒_𝑒𝑛𝑠𝑒𝑖𝑔𝑗 +
𝑗
𝛾𝑘4 ∗ INDICEINFRASTRUCTURES 𝑗 + 𝑢𝑘𝑗 avec j = 1 à 164 et k = 1 à 5
Nous avons les résultats suivants :
68
Tél : +229 96422930
Tableau N°39: Dimensions du modèle
D’après Le tableau des dimensions du modèle (tableau 39), on observe 5 paramètres fixes à
estimer, 15 paramètres aléatoires et le résidu soit un total 26 à estimer. Donc l’analyse de ce
tableau nous permet d’affirmer que le modèle multiniveau a été bien spécifié.
Tableau N°40: Estimation des paramètres fixes
Les colonnes 5 et 6 du tableau 38, nous permettent de conclure que toutes les variables
explicatives du modèle sont significatives au seuil de 5%. Ainsi toutes les variables d’intérêt
du modèle de niveau 2 utilisées ont des effets significatifs sur le score en Mathématiques des
69
Tél : +229 96422930
élèves sauf les variables Exp_profess_enseig, indice_percept_mt, indice_avantages_mt,
indice_resso_peda_ecol, indice_resso_peda_mt, Statu_enseig et Salaire_enseig.
Tableau N°41: Estimation des paramètres aléatoires
Les variances UN(1 ;1) ; UN(2 ;2) ; UN(3 ;3) ; UN(4 ;4) et UN(5 ;5) des coefficients des variables
sont toutes significatives au seuil de 5%. Il existe donc de variabilité entre les différents élèves
de notre échantillon.
4.3.3.3 Insertion des variables du niveau 2 dans 𝜷𝟎𝒋 et 𝜷𝐤𝒋

A la différence des analyses précédentes, il s’agit donc de voir si les variables
Niv_academ_enseig; Sexe_enseig; Age_enseig et INDICE_INFRASTRUCTURES ont un impact non
seulement sur l’intersection mais aussi sur les pentes des modèles de niveau 1. Les modèles
testés seront donc :
Niveau 1 :
(Modèle 3)
𝑆𝐶𝑂𝑅𝐸𝑀𝐴𝑇𝐻𝑆 = 𝛽0𝑗 + 𝛽1𝑗 ∗ 𝐴𝑔𝑒é𝑙è𝑣 𝑖𝑗 + 𝛽2𝑗 ∗ 𝑆𝑒𝑥𝑒é𝑙è𝑣 𝑖𝑗 + 𝛽3𝑗 ∗ 𝐿𝑎𝑛𝑔é𝑙è𝑣 𝑖𝑗 + 𝛽4𝑗 ∗ 𝑟𝑒𝑝𝑒𝑡𝑖𝑡𝑒𝑢𝑟 +
𝑖𝑗
𝛽5𝑗 ∗ 𝑀𝑜𝑡𝑖𝑣_𝑓𝑎𝑚𝑖𝑙𝑙𝑒𝑖𝑗 + 𝑟𝑖𝑗 avec i = 1 à 3033 ; j = 1 à 164

Niveau 2 :
 𝛽0𝑗 = 𝛾00 + 𝛾01 ∗ 𝑁𝑖𝑣𝑎𝑐𝑎𝑑𝑒𝑚𝑒𝑛𝑠𝑒𝑖𝑔 + 𝛾02 ∗ 𝐴𝑔𝑒_𝑒𝑛𝑠𝑒𝑖𝑔𝑗 + 𝛾03 ∗ 𝑆𝑒𝑥𝑒_𝑒𝑛𝑠𝑒𝑖𝑔𝑗 + 𝛾04 ∗
𝑗
INDICEINFRASTRUCTURES 𝑗 + 𝑢0𝑗
70
Tél : +229 96422930
 𝛽𝑘𝑗 = 𝛾𝑘0 + 𝛾𝑘1 ∗ 𝑁𝑖𝑣𝑎𝑐𝑎𝑑𝑒𝑚𝑒𝑛𝑠𝑒𝑖𝑔 + 𝛾𝑘2 ∗ 𝐴𝑔𝑒_𝑒𝑛𝑠𝑒𝑖𝑔𝑗 + 𝛾𝑘3 ∗ 𝑆𝑒𝑥𝑒_𝑒𝑛𝑠𝑒𝑖𝑔𝑗 + 𝛾𝑘4 ∗
𝑗
INDICEINFRASTRUCTURES 𝑗 + 𝑢𝑘𝑗 avec j = 1 à 164 et k = 1 à 5
Nous avons les résultats suivants :
Tableau N°42: Estimation des paramètres
Tableau N°42: Estimation des paramètres avec exp_profess_enseig
En observant attentivement le Tableau 41, nous constatons qu’il y a des variables de niveau 1
et de niveau 2 qui sont non significatives au seuil de 5%.
71
Tél : +229 96422930
En faisant une comparaison entre les trois modèles, (Modèle 1), (Modèle 2) et (Modèle 3), il
ressort que le (Modèle 2) est meilleur que les deux autres vu le degré de significativité de ses
variables explicatives et la validité des différents tests afférents. Ainsi, nous allons prendre les
résultats de ce modèle pour la suite de notre recherche.
Nous avons alors le modèle estimé suivant en utilisant les résultats du tableau 39:
SCOR EMATHS = 505,05
⏟ - 7,52
⏟ *Ageélèv - 18,21
⏟ exeélèv + 26,92
⏟ ∗ 𝐿𝑎𝑛𝑔é𝑙è𝑣 – 8,29
⏟ ∗
(0,00) (0,001) (0,000) (0,000) (0,034)
𝑟𝑒𝑝𝑒𝑡𝑖𝑡𝑒𝑢𝑟 − 45,32
⏟ ∗Motiv_famille- 3,15
⏟ *Ageenseig - 79,58
⏟ exeenseig + 5,66
⏟ ∗
(𝑂,020) (0,001) (0,005) (0,000)
𝐼𝑁𝐷𝐼𝐶𝐸𝑖𝑛𝑓𝑟𝑎𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑒𝑠 − 65
⏟ , 15 ∗ 𝑁𝑖𝑣𝑎𝑐𝑎𝑑𝑒𝑚𝑒𝑛𝑠𝑒𝑖𝑔 + 𝑢̂
(0,002)
Ainsi le modèle ci-dessus sera utilisé pour interpréter les résultats et procéder à la vérification
des hypothèses ci-après :
𝑯𝟏 : L’âge a un effet significatif positif sur la performance en mathématiques des élèves de
sixième année du primaire.
𝑯𝟐 : Le sexe féminin impacte plus la performance en mathématiques des élèves de sixième
année du primaire que le sexe masculin.
𝑯𝟑 : Les élèves qui parlent le français avec au moins l’un de leurs parents à la maison est
plus performant en mathématiques que ceux qui n’en parlent jamais.
𝑯𝟒 : Le fait d’avoir des parents motivés pour les études influence la performance en
mathématiques des élèves de sixième année du primaire.
𝑯𝟓 Le fait d’avoir de répétiteurs à la maison a un effet significatif et positif sur la
performance en mathématiques des élèves de sixième année du primaire.
𝑯𝟔 : Le fait d’avoir de documents pédagogiques à la maison influence significativement la
𝑯𝟕 : L’expérience professionnelle des enseignants a un impact significatif sur la performance
en mathématiques des élèves de sixième année du primaire.
𝑯𝟖 : Le niveau académique des enseignants a un impact significatif sur la performance en
𝑯𝟗 : L’effectif pléthorique dans les classes a une influence significative sur la performance en
𝑯𝟏𝟎 : Avoir plus des infrastructures scolaires dans les écoles a un impact significatif sur la
𝑯𝟏𝟏 : Les enseignants de sexe féminin impactent plus la performance en mathématiques des
élèves de sixième année du primaire que ceux de sexe masculin.
72
Tél : +229 96422930
𝑯𝟏𝟐 : L’âge de l’enseignant est un facteur significatif dans l’explication de la performance
scolaire en mathématiques des élèves
4.4 Interprétations et discussions des résultats du modèle estimé
Toutes choses égales par ailleurs et en s’inspirant des résultats des estimations précédentes,
nous avons:
 Une augmentation de l’âge d’un an (pour les élèves dont l’âge dépasse 11ans) au
primaire entraîne une diminution du score de Mathématiques de 7,52 points par rapport à ceux
dont l’âges est inférieur ou égal à 11 ans. Cela signifie que plus l’élève est âgé en classe de
CM2 moins il travaille en Mathématiques. Ce résultat est en contradiction avec notre hypothèse
𝑯𝟏 . En effet, l’année scolaire 2011 – 2015 a été marquée au Benin par des grèves perlées et
donc les élèves étaient laissés à la charge de leurs parents. Le plus souvent, les parents utilisent
beaucoup plus les enfants les plus âgés dans les travaux extra-scolaires que les moins âgés, ce
qui ne leurs donne pas le temps nécessaire pour s’occuper des études à domicile. Cette situation
peut aussi expliquer cette baisse de performance au niveau des élèves. Il faut aussi ajouter
qu’une bonne partie des élèves ont leurs âges compris entre 13 et 16 ans. Cette tranche d’âges
correspond plus ou moins à leur période de puberté qui est très sensible dans l’éducation des
élèves. Une mauvaise gestion de cette période critique par les parents (qui ont démissionné dans
l’éducation de leurs enfants pour la plupart) peut expliquer la diminution de performance
enregistrée. Ce pendant le résultat que nous avons obtenu confirme les résultats des travaux de
Mohammed Bijou, Narjis Bennouna [Dépenses publiques éducatives et performance scolaire
au Maroc. Une analyse multiniveau à partir des données TIMSS 2015-2018. hal-01689120]. En
effet selon Mohammed Bijou, Narjis Bennouna, « les élèves appartenant à la tranche d’âge [9-
10 ans] performent mieux, de 11.19 points, que les élèves de la tranche [10ans- 14ans].
 Le sexe masculin participe moins à la performance du score de mathématiques des élèves
de la sixième année du primaire. La différence des apports entre les deux sexes est de 18,21
points en faveur du sexe féminin. Ce résultat est en conformité avec notre hypothèse 𝑯𝟐 . Cette
supériorité du sexe féminin sur le sexe masculin à la formation du score de mathématiques peut
s’expliquer par le fait que les autorités en charge de l’éducation attachent beaucoup plus
d’importance au sexe féminin qu’au sexe masculin à travers les programmes « de la gratuité de
la scolarisation des filles », « toutes les filles à l’école » etc… . Il faut aussi rappeler que,
généralement, les recherches menées dans les pays en développement, les pays africains en
particulier (Hoffman, 2011 ; Suchaut, 2006) trouvent que les filles performent moins bien que
les garçons dans les matières scientifiques comme les mathématiques. Et plus récemment
73
Tél : +229 96422930
Mohammed Bijou, Narjis Bennouna ont trouvé que, « la variable “Fille” n’est pas significative
sur le score en Mathématiques. Ce qui veut dire qu’il n’y pas de différences genre dans la
performance en Mathématiques en 2015. Ceci résultat reflète une progression particulière
par rapport aux résultats TIMSS de l’année 2011, où les garçons performaient mieux que les
filles avec une différence de 7 points. Ce résultat est à encourager mais nous invitons le
gouvernement à avoir un œil sur le sexe masculin afin de ramener la performance des garçons
au même niveau que celle des filles en mathématiques pour éviter d’accroitre le problème des
inégalités du genre.
 Les élèves qui parlent le français en famille sont plus performants de 26,92 points que
ceux qui n’en parlent jamais à domicile (hypothèse 𝑯𝟑 est vérifiée). Cela s’explique par le fait
que parler régulièrement le français permet d’améliorer le niveau de l’élève en français ce qui
en son tour permet à l’élève de mieux comprendre les textes de mathématiques qui sont écrits
en français et par ricochet de booster son score en mathématiques. Ainsi nous recommandons
aux responsables en charge de l’éducation de promouvoir la langue d’enseignement des
mathématiques afin que le score en mathématiques soit impacté positivement.
Les élèves qui ont de répétiteurs à la maison sont moins performants en mathématiques que
ceux qui n’en ont pas. Ce résultat contredit notre hypothèse 𝑯𝟓 . Cette contre-performance est
de 8,29 points par rapports aux élèves ne disposant pas de répétiteurs à domicile. Notre résultat
trouvé n’est pas en phase avec les résultats de Postlethwaite & Wiley (1992), qui montrent que
les élèves réussissent mieux quand ils consacrent beaucoup de temps à faire leurs devoirs et
ceux de Mohammed Bijou et Narjis Bennouna qui ont constaté que [La variable « répétiteur
» a un effet positif et significatif sur le score en mathématiques quand elle prend les modalités
« tous les jours » et « 3-4 fois par semaine ». Toutes choses égales par ailleurs, les élèves qui
sont aidés tous les jours ont 5.29 points de plus que les élèves qui ne sont jamais aidés (modalité
de référence)]. Ainsi le résultat auquel nous sommes aboutis peut-être expliquer par plusieurs
raisons :
-Soit les répétiteurs qui sont engagés pour aider les élèves ne sont pas ne sont réguliers
dans leur travail ou ne sont pas motivés à accompagner ces enfants ;
- Soit les élèves qui ont de répétiteurs en mathématiques à la maison sont des élèves très
faibles au départ par rapport ce qui n’en ont pas ; et que ces apprenants n’ont pas pu maîtriser
les prérequis des classes intermédiaires ce qui n’a pas permis à ces répétiteurs d’atteindre leurs
objectifs à savoir relever le niveau de ces élèves.
74
Tél : +229 96422930
Cela peut aussi être expliquer par le fait qu’il n’y a que 22,20% d’élèves qui disposent de
répétiteurs à la maison dans l’échantillon de notre base des données
 Les élèves dont les parents ne sont pas motivés à les accompagner dans leurs études sont
moins performants que les autres élèves dont les parents assistent. La différence entre ces deux
catégories d’élèves en terme de performance est de 45,32 points. Ce résultat confirme l’
hypothèse 𝑯𝟒 .
Comme politique éducative, nous exhortons l’Etat à trouver une formule pour encourager non
seulement les élèves travailleurs mais aussi leurs parents qui sont toujours à leur côté pour les
motiver à exceller.
 Les enseignants de sexe masculin ont moins d’impact sur la performance en
mathématiques de leurs apprenants que les enseignants de sexe féminin. Ce résultat confirme l’
hypothèse 𝑯𝟏𝟏 . L’apport en performance des enseignantes sur les élèves est de 79,58 points de
plus que celui des enseignants. Ce résultat va dans le même sens que ceux trouvés par Jarousse
& Mingat (1989) qui montrent que les enseignantes du primaire sont plus performantes que les
enseignants et impactent positivement les rendements de leurs élèves. Quant aux chercheurs
Mohammed Bijou et Narjis Bennouna (2015), ils ont constaté que La variable qui caractérisent le
« sexe de l’enseignant » n’a aucun impact significatif sur la performance des élèves. Nous pouvons
expliquer notre résultat par le fait que les femmes sont plus affectives que les hommes envers
les enfants, du coup les enfants sont plus attentifs aux messages que véhiculent les femmes que
ceux véhiculés par les hommes qui se comportent souvent comme des autoritaires et sont plus
durs dans le respect des normes. Ce qui peut amener les élèves à être très réservés au cours et
les empêchent ainsi à participer à la construction de leur propre savoir.
 Une augmentation d’un an de l’âge d’un enseignant entraîne une régression de la
performance des élèves en mathématiques de 3,15 points. Cela signifie que plus l’enseignant
est âgé, moins il impacte la performance en mathématiques des élèves de la sixième année du
primaire. Ce résultat est en harmonie avec les résultats obtenus par Mohammed Bijou et
Bennouna en 2015 [L’âge de l’enseignant a un effet positif sur le score des élèves quand il est
compris entre 25 et 29 ans. Les élèves pris en charge par ces enseignants obtiennent 11.25
points de plus que les élèves des enseignants âgés de 60 ans et plus (modalité de référence).
Ce résultat pourrait être expliqué par la capacité des enseignants jeunes à adapter leur
pédagogie aux besoins des élèves, par leur patience et leur compréhension des difficultés que
leurs élèves rencontrent].
75
Tél : +229 96422930
Le tableau 43 nous permet de constater que la variable exp_profess_enseig (expérience
professionnelle de l’enseignant) n’est pas significative au seuil de 5%. Donc l’ancienneté d’un
enseignant n’a aucun effet sur la performance en mathématiques des élèves c’est-à-dire que le
nombre d’années d’exercice n’influence en rien le score des élèves en mathématiques. Dans
notre échantillon de recherche, les enseignants les plus nombreux sont ceux qui sont proches
de la retraite (60 ans), qui sont physiquement et mentalement épuisés. Comme le nombre
d’années d’expérience des enseignants n’apporte rien significativement à la performance des
élèves, alors il est normal que l’état de fatigue des enseignants induit par l’augmentation de
l’âge impacte négativement le score en mathématiques de ces élèves. Il faut aussi rappeler que
la grande majorité des enseignants ont leurs âges proches de 60 ans
 Une augmentation d’une unité de l’indice des infrastructures scolaires conduit à une
hausse de la performance des élèves en mathématiques de 5,66 points. Autrement dit la
construction des salles de classe, des bibliothèques, des laboratoires, des salles informatiques
et autres infrastructures scolaires impacte positivement le score en mathématiques des élèves
de sixième année du primaire. Ce résultat est en accord avec l’ hypothèse 𝑯𝟏𝟎 .
 Les enseignants qui ont un niveau académique supérieur ou égal au niveau de la classe
terminale impactent moins la performance des élèves en mathématiques que ceux qui ont un
niveau inférieur ou égal au niveau première. Cette différence en terme de performance est de
65,15 points. L’hypothèse 𝑯𝟖 est ainsi vérifiée. En effet, plus les enseignants ont un niveau
plus élevé que le Bac, plus ils s’éloignent des réalités du cours primaire et de plus cherchent un
meilleur confort salarial que celui proposé pour le niveau primaire. C’est donc le manque
d’emplois (le chômage) qui amènent ces derniers à accepter sans motivation l’enseignement au
primaire. Ainsi ils ne sont plus motivés et cela entraîne un faible rendement voir une mauvaise
performance scolaire qui finit par affecter négativement le score en mathématiques de leurs
apprenants. Notre résultat n’est pas conforme à celui de Mohammed Bijou et Bennouna en
2015 qui stipule que « le niveau académique n’a aucun effet sur le score en mathématiques ».
 Les variables qui caractérisent la possession des documents pédagogiques à la maison
par les élèves et l’effectif pléthorique n’impactent pas le score en mathématiques des élèves.
Cela signifie qu’une augmentation quelconque de l’une ou l’autre de ces variables n’engendrera
aucune modification de la performance des élèves du CM2. Ainsi donc les hypothèses 𝑯𝟔 , 𝑯𝟕
et 𝑯𝟗 ne sont pas vérifiées.
4.5 Conclusion
De ce chapitre, nous retenons que parmi les déterminants explicatifs de la performance scolaire
en mathématiques, les plus pertinents s’avèrent être le niveau académique de l’enseignant, la
76
Tél : +229 96422930
motivation des parents, le fait de parler le français en famille, le sexe de l’élève et l’indice des
infrastructures de l’école. L’indice socioéconomique des familles, l’indice des ressources
pédagogiques de l’école, l’indice de perception par les enseignants des conditions de travail,
l’indice de perception par les enseignants des avantages sociaux et la taille de la classe ne
montrent aucun impact significatif sur le score des élèves en mathématiques. Pour s’assurer de
ce résultat, nous avons refait les régressions plusieurs fois en faisant les différentes
combinaisons possibles et en respectant toutes les étapes de mise en œuvre des différents
modèles multiniveaux. En définitive, l’analyse multiniveau a permis de saisir la multiplicité des
effets emboîtés. L’avantage principal de cette analyse est que les estimations obtenues sont des
estimations plus précises et plus robustes en comparaison avec les méthodes classiques de
régression linéaire. Ainsi, le recours à l’analyse multiniveau revêt une importance capitale dans
le domaine de l’éducation. Dans notre recherche, ce modèle nous a permis de mettre en évidence
et d’expliquer les différences de performances scolaires en mathématiques entre les écoles du
système éducatif béninois.
77
Tél : +229 96422930
CONCLUSION GENERALE
La participation régulière du Benin aux enquêtes internationales PASEC, lui a fait réaliser
d’importantes avancées en termes de performances scolaires mais qui restent bien inférieures à
la moyenne internationale. Aujourd’hui, la question de l’éducation est plus que jamais au cœur
des débats au Benin. Beaucoup de réformes ont été opérées au sein du système éducatif
béninois. En effet entre 2008 et 2014 le système éducatif béninois était en pleine mutation avec
le reversement des enseignants communautaires (majoritaires dans le système et pour la plupart
ne disposant ni de niveau académique acceptable, ni de de diplôme professionnelle pour
l’enseignement) en Agents contractuels de l’Etat (ACE). Ces derniers ont été formés pour
apporter un plus sur leur performance. Et malgré ces efforts, le niveau des élèves ne cesse de
baisser en mathématiques. Ce constat, nous a amené à nous interroger sur les différents facteurs
susceptibles d’affecter le score en mathématiques des élèves en fin de formation au primaire.
L’objectif de notre étude est d’évaluer les déterminants de la performance scolaire en
mathématiques des élèves en fin de formation au primaire au Benin. En utilisant un modèle
multiniveau, adéquat à la structure hiérarchisée des données utilisées, cette étude, malgré ses
limites, a permis de mieux appréhender les différences des performances des élèves de la
sixième année primaire. Comme résultat, il retenir que : l’expérience professionnelle des
enseignants, l’indice socioéconomique des familles, l’indice des ressources pédagogiques de
l’école, l’indice de perception par les enseignants des conditions de travail, l’indice de
perception par les enseignants des avantages sociaux et la taille de la classe n’ont aucun effet
significatif sur le rendement en mathématiques, en sixième année du primaire. En revanche,
l’étude a mis en exergue l’influence de certaines variables, significativement déterminantes
pour la performance des élèves en mathématiques. Il s’agit essentiellement du niveau
d’éducation de l’enseignant, la motivation des parents, le fait de parler le français en famille, le
sexe et l’âge de l’élève, et l’indice des infrastructures de l’école. L’étude a également fait
apparaître des résultats contre intuitifs et surprenants, notamment la contre-performance en
mathématiques des élèves disposant des répétiteurs à domicile. La « non significativité »
l’expérience professionnelle des enseignants soulève un réel questionnement sur l’efficience de
la formation professionnelle reçue par ces enseignants. Parallèlement, les résultats mis en
évidence par cette recherche pourraient constituer de réelles pistes de recherches approfondies
pour les autorités publiques en charge de l’éducation pour l’élaboration de politiques éducatives
ciblées, cohérentes et surtout stratégiques.
78
Tél : +229 96422930
Les problèmes actuels dont souffre le système éducatif sont beaucoup plus profonds et
nécessitent une réflexion profonde, autre que l’organisation des formations budgétivores
hasardeuses et non planifiées dans l’éducation. Nous citons, entre autres, le manque de niveau
académique des enseignants du primaire, la pédagogie, le choix et la planification des
formations pédagogiques et professionnelles dans le temps et la bonne gouvernance du système,
très déterminante pour l’efficience des dépenses publiques dans la prestation des services
sociaux. En ces termes, ce sont l’adaptabilité du système éducatif béninois et la qualité de
l’éducation qui constituent la priorité absolue pour améliorer et renforcer le capital humain du
pays.
79
Tél : +229 96422930
REFERENCES BIBLIOGRAPHIQUES
 PASEC (2016). PASEC2014 – Performances du système éducatif béninois :
Compétences et facteurs de réussite au primaire. PASEC, CONFEMEN, Dakar.
 PASEC (2017). Rapport technique de l’évaluation internationale PASEC2014. PASEC,
CONFEMEN, Dakar
 Jean-Luc Arrègle 2003/1 Vol. 6 | pages 1 à 28 DOI 10.3917/mana.061.0001
 Barcikowski, R. S. 1981 Statistical Power with Group Mean as the Unit of Analysis,
Journal of Educational Statistics, 6(3): 267-285.
 Bassiri-Gharb, D. 1988 Large and Small Sample Properties of Maximum Likelihood
Estimates for the Hierarchical Linear Models, Thèse de Ph.D. non publiée, Educational
Psychology and Special Education, Michigan State University.
 Bryk, A. S., et S. W. Raudenbush 1992 Hierarchical Linear Models: Applications and
Data Analysis Methods, Newbury Park, CA: Sage.
 Bryk, A. S., S. W. Raudenbush, et R. Congdon 1999 HLM: Hierarchical Linear and

Nonlinear Modeling with the HLM/2L and HLM/3L Programs, Chicago: Scientific
Software International.
 Burstein, A. 1980a The Analysis of Multi-Level Data in Educational Research and

Evaluation, Review of Research in Education, 8:153-223.
 Burstein, A. 1980b The Role of Levels of Analysis in the Specification of Educational

Effects, in R. Dreeben et J. Thomas (Eds.), Analysis of Educational Productivity: Issues
in Microanalysis, Cambridge, MA: Ballinger.
 Busing, F. M. T. A. 1993 Distribution Characteristics of Variance Estimates in Two-

Level Models, Cahier de recherche, Department of Psychometrics and Research
Methodology, Leiden, Pays-Bas.
 Dempster, A. P., D. B. Rubin, et R. K. Tsutakawa 1981 Estimation in Covariance

Components Models, Journal of the American Statistical Association, 76(374): 341-
353.
 Granovetter, M. 1985 Economic Action and Social Structure: The Problem of

Embeddedness, American Journal of Sociology, 91(3): 481-510.
 Goldstein, H. 1987 Multilevels Mixed Linear Models Analysis Using Iterative

Generalized Least Squares, Biometrika, 73(1): 43-56.
 Goldstein, H. 1995 Multilevel Statistical Models, Londres: Arnold.
 Hofmann, D. A. 1997 An Overview of the Logic and Rationale of Hierarchical Linear

Models, Journal of Management, 23(6): 723-744.
80
Tél : +229 96422930
 Hofmann, D. A., et M. Gavin 1998 Centering Decisions in Hierarchical Linear
Models: Implications for Research in Organizations, Journal of Management, 24(5):
623-641.
 House, R., D. Rousseau, et M. Thomas-Hunt 1995 The Meso Paradigm: A

Framework for the Integration of Micro and Macro Organizational Behavior, in L. L.
Cummings and B. M. Staw (Eds.), Research in Organizational Behavior, Vol. 17,
Greenwich, CT: JAI Press, 71-114.
 Hox, J. 1997 Multilevel Modeling: When and Why, in I. Balderjahn, R. Mathar et M.

Schrader (Eds.), Classification, Data Analysis and Data Highway: Proceedings of the
21st Annual Conference of the Gesellschaft für Klassification, University of Potsdam,
March 12-14, New York, NY: Springer-Verlag, 147-154.
 James, W., et C. Stein 1961 Estimation with Quadratic Loss, in J. Neyman (Ed.),
Proceedings of the Fourth Berkeley Symposium on Mathematical Statistics and
Probability, Berkeley, CA: University of California Press, 361-379.
 Kelly, R. J., et T. Mathew 1994 Improved Nonnegative Estimation of Variance

Components in some Mixed Models with Unbalanced Data, Technometrics, 36(2): 171-
181.
 Kim, K. S. 1990 Multilevel Data Analysis: A Comparative Examination of Analytical

Alternatives (Data Analysis) Comparison of Analytical Alternatives, Thèse de Ph.D. non
publiée, Los Angeles, CA: University of California.
 Klein, K. J., H. Tosi, et A. Cannella 1999 Multilevel Theory Building: Benefits, Barriers,
and New Developments, Academy of Management Review, 24(2): 243-248.
 Kreft, I. G., et J. de Leeuw 1998 Introducing Multilevel Modeling, Thousand Oaks, CA:
Sage.
 Lindley, D. V., et A. F. M. Smith 1972 Bayes Estimates for the Linear Model, Journal of
the Royal Statistical Society,
Series B, 34(1): 1-41.
 Longford, N. 1987 A Fast Scoring Algorithm for Maximum Likelihood Estimation in

Unbalanced Mixed Models with Nested Random Effects, Biometrika, 74(4): 817-827.
 Longford, N. 1990 VARCL Software for Variance Component Analysis of Data with
Nested Random Effects (Maximum Likelihood), Princeton, NJ: Educational Testing
Service.
 Mason, W. M., G. M. Wong, et B. Entwistle 1983 Contextual Analysis through the

Multilevel Linear Model, in S. Leinhardt (Ed.), Sociological Methodology, San Francisco,
CA: Josey-Bass, 72-103.
 Morris, C. N. 1983 Parametric Empirical Bayes Inference: Theory and Applications,

Journal of the American Statistical Association, 78(381): 47-55.
81
Tél : +229 96422930
 Rasbash, J., et G. Woodhouse 1995 Mln Command Reference, Londres: University of
London, Institute for Education.
 Raudenbush, S., A. Bryk, Y. F. Cheong, et R. Congdon 2000 HLM 5: Hierarchical

Linear and Nonlinear Modeling, Chicago, IL: Scientific Software International.
 Rodriguez, G., et N. Goldman 1995 An Assessment of Estimation Procedures for

Multilevel Models with Binary Responses, Journal of the Royal Statistical Society, Series
A, 158(1): 73-89.
 Rosenberg, B. 1973 Understanding Correlates of Change by Modeling Individual

Differences in Growth, Psychometrica, 50: 203-228.
 Rowe, K. J. 1999 Accounting for the Hierarchical Structure of Data in Psychosocial

Research: An Annotated Example Using Multilevel Structural Equation Modeling, in M.
Mok et G. S. Birke (Eds.), Collected Papers on Applications in Multilevel Modeling,
Sydney: Macquarie University Press.
 Snijders, T. et R. Bosker 1999 Multilevel Analysis: An Introduction to Basic and

Advanced Multilevel Modeling,Thousand Oaks, CA: Sage.
 Tate, R. L. et Y. Wongbundhit 1983 Random Versus Nonrandom Coefficient Models for

Multilevel Analysis,
Journal of Educational Statistics, 8: 103-120.
 Tosi, H. 1992 The Environment/Organization/Person Contingency Model: A Meso

Approach to the Study of Organizations, Greenwich, CT: JAI Press.
 McCulloch, C.E., and Searle, S.R. (2000). Generalized, Linear, and Mixed Models. John
Wiley and Sons.
 Mortimore, P., Sammons, P., Stoll, L., Lewis, D. and Ecob, R. (1988). School Matters:
the Junior Years. Wells, Open Books.
 Pinheiro J.C., and Bates, D.M. (2000). Mixed-Effects Models in S and S-PLUS. Springer.
 Potthoff, R.F., and Roy, S.N. (1964). “A generalized multivariate analysis of variance
model useful especially for growth curve problems.” Biometrika, 51:313-326.
 Singer J.D. (1998). “Using SAS PROC MIXED to fix multilevel models, hierarchical
models and individual growth models.”Journal of Educational and Behavioral Statistics,
24:323-355.
 Verbeke, G., and Molenberghs, G. (2000). Linear Mixed Models for Longitudinal Data.
Springer.
 Willett, J.B. (1989). “Questions and answers in the measurement of change.” In E.Z.
Rothkopf (Ed.) Review of Research in Education, 15:345-422. Washington, DC: American
Education Research Association.
82
Tél : +229 96422930
 Brown, H., & Prescott, R. (2006). Applied mixed models in medicine (2nd ed.). New-
York : J. Wiley & Sons. [superbe introduction peu mathématique aux modèles
multiniveaux linéaires]
 Peugh, J. L., & Enders, C. K. (2005). Using the SPSS Mixed procedure to fit cross
sectional and longitudinal multilevel models. Educational and Psychological
Measurement, 65(5), 717-741. [article non-mathématique qui refait les analyses
multiniveaux de Singer & Willett (2003) avec SPSS].
 Raudenbush, S. W., & Bryk, A. S. (2002). Hierarchical Linear Models : Applications

and Data Analysis Methods (2nd ed.). Thousand Oaks, CA : Sage Publications. [livre assez
mathématique qui introduit la notation multiniveaux - un classique sur le sujet]
 Singer, J. D., & Willett, J. B. (2003). Applied Longitudinal Data Analysis: Modeling
Change and Event Occurrence. NYC : Oxford University Press. [les chapitres 1 à 6 sont
une superbe introduction non-mathématique aux modèles multiniveaux longitudinaux].
 Snijders, T. A. B., & Boske, R. J. (2012). Multilevel Analysis: An Introduction to Basic

and Advanced Multilevel Modeling (2nd ed.). Washington, DC : Sage Publications. [livren
avancé sur les aspects plus pratiques des modèles multiniveaux].
 SPSS. (2005). Linear Mixed-Effects Modeling in SPSS: An Introduction to the MIXED

Procedure: SPSS Corporation. [introduction accessible à la procedure SPSS MIXED]
 Mohammed Bijou, Narjis Bennouna. Dépenses publiques éducatives et performance

scolaire au Maroc. Une analyse multiniveaux à partir des données TIMSS 2015. 2018. hal-
01689120
Quelques sites Internet :
 https://www.cairn.info/revue-management-2003-1-page-1.htm
 www.pasec.confemen.org
 http://www.pasec.confemen.org/manuel-des-donnees/
 https://hal.archives-ouvertes.fr/hal-01689120
 Harvey Goldstein Institute for Education, University of London

http://www.ioe.ac.uk/hgpersonal
 Teaching Resources and Materials for Social Scientists (site sur la modélisation
multiniveaux) http://tramss.data-archive.ac.uk
 Centre for Multilevel Group http://multilevel.ioe.ac.uk/index.html
83
Tél : +229 96422930
ANNEXES
I
Annexe A: Exemples d’items des tests PASEC2014 de fin de scolarité du primaire en
Mathématiques
Pour illustrer ces résultats, une série d’exercices reflétant les questions qui composent le test
PASEC2014 accompagne la description des niveaux pour comprendre les caractéristiques des
questions et les stratégies mises en place par les élèves pour y répondre
Tableau A1 : Caractéristiques d’un échantillon d’exercices de mathématiques de l’évaluation

PASEC2014
A.1.1 Niveau 3
En arithmétique, les élèves sont capables de résoudre des problèmes impliquant des fractions
ou des nombres décimaux. Pour répondre à la question « Les pirates » prise en exemple dans le
tableau A1 pour illustrer ce niveau, les élèves doivent réaliser une addition puis une soustraction
de fractions ayant des dénominateurs différents. L’exercice invite les élèves à déterminer la part
d’un troisième pirate dans le partage d’un trésor après lui avoir fourni les deux fractions
correspondant aux parts des deux premiers pirates. Cette question est classée dans le sous-
domaine de contenu « numération » et dans le processus cognitif « appliquer », en raison du
caractère routinier de la démarche à mobiliser pour des élèves en fin de primaire. Pour répondre
à la question « Multiplier par 3 » prise en exemple dans le tableau A3.2 pour illustrer ce niveau,
les élèves doivent trouver un nombre qui, multiplié par trois et additionné à 100, serait égal à
790. Cette question implique un raisonnement de nature pré-algébrique puisque les élèves sont
amenés à réfléchir à partir d’une quantité inconnue. Cette question est classée dans le sous-
II
domaine de contenu « numération » et dans le processus cognitif « raisonner » puisque la
démarche est abstraite et inhabituelle pour des élèves en fin de scolarité primaire.
Dans le domaine de la mesure, les élèves peuvent résoudre des problèmes impliquant des
calculs d’aire ou de périmètre. Ils peuvent aussi repérer des données sur un plan pour calculer
une distance tout en respectant les contraintes données dans l’énoncé. Ils peuvent enfin réaliser
des calculs et des conversions impliquant des heures, des minutes et des secondes. Pour
répondre à la question « La largeur du rectangle » prise en exemple dans le tableau A3.2 pour
illustrer ce niveau, les élèves doivent trouver la largeur d’un rectangle dont l’aire et la longueur
sont données. Pour répondre à cet item, ils doivent s’appuyer sur la formule du calcul de l’aire
d’un rectangle pour déduire le calcul de la largeur. Cette question est classée dans le sous-
domaine de contenu « mesure » et dans le processus cognitif « appliquer », en raison du
caractère routinier de la démarche à mobiliser pour des élèves en fin de primaire.
A1.2 Niveau 2
En arithmétique, les élèves sont capables d’effectuer des opérations arithmétiques impliquant
des nombres décimaux, soit au niveau des données fournies, soit au niveau de la solution
obtenue. Ils peuvent aussi résoudre des problèmes arithmétiques courants en analysant un
énoncé ou en prélevant des données dans un tableau à double entrée. À ce niveau, les élèves
sont également en mesure de compléter des suites logiques impliquant des nombres décimaux
ou des fractions. Pour répondre à la question « La cour de l’école » prise en exemple dans le
tableau A1 pour illustrer ce niveau, les élèves doivent définir le nombre de groupes de 26 élèves
qu’un maître peut constituer à partir d’un effectif de 136 élèves en réalisant une division avec
retenue au-dessus de la centaine à partir de nombres fournis dans l’énoncé. Cette question est
classée dans le sous-domaine de contenu « numération » et dans le processus cognitif «
appliquer », en raison du caractère routinier de la démarche à mobiliser pour des élèves en fin
de primaire. Pour répondre à la question « Le nombre de filles » prise en exemple dans le tableau
A1 pour illustrer ce niveau, les élèves doivent prélever des nombres pour les additionner à partir
d’un tableau à double entrée. Cette question est classée dans le sous-domaine de contenu «
numération » et dans le processus cognitif « appliquer », en raison du caractère routinier de la
démarche à mobiliser pour des élèves en fin de primaire.
En mesure, les élèves sont capables de lire l’heure sur une horloge à affichage numérique ou
sur une horloge à aiguilles. Ils peuvent réaliser des conversions d’unités de mesure en disposant
ou non d’un tableau de conversion. À ce niveau, ils sont également en mesure de résoudre des
problèmes arithmétiques impliquant des jours, des heures et des minutes ainsi que des
longueurs. Pour répondre à la question « Conversion de masse » prise en exemple dans le
tableau A1 pour illustrer ce niveau, les élèves doivent convertir 3000 grammes en kilogrammes
III
à l’aide du tableau de conversion fourni. Cette question est classée dans le sous-domaine de
contenu « mesure » et dans le processus cognitif « appliquer ». Pour répondre à la question «
Conversion de volume » prise en exemple dans le tableau A1 pour illustrer ce niveau, les élèves
doivent convertir 15 hectolitres en litres à l’aide du tableau de conversion fourni. Cette question
est classée dans le sous-domaine de contenu « mesure » et dans le processus cognitif « appliquer
». Pour répondre à la question « Le cosmonaute » prise en exemple dans le tableau A1 pour
illustrer ce niveau, les élèves doivent calculer le temps passé dans l’espace par un astronaute à
travers des opérations arithmétiques et de conversion relatives à des heures et des jours. Cette
question est classée dans le sous-domaine de contenu « mesure » et dans le processus cognitif
« raisonner » puisque les élèves doivent trouver la démarche adéquate à appliquer à partir d’un
énoncé écrit avant de réaliser plusieurs étapes de calcul.
En géométrie, les élèves sont capables de reconnaître le nom de certains solides, des figures
géométriques de base et de certaines droites remarquables de ces figures (comme la diagonale
ou la médiane). Pour répondre à la question « Le rectangle ABCD » prise en exemple dans le
tableau A1 pour illustrer ce niveau, les élèves doivent connaître les caractéristiques d’une droite
diagonale dans un rectangle. Cette question est classée dans le sous-domaine de contenu «
géométrie » et dans le processus cognitif « connaître » puisque les élèves sont sollicités
exclusivement sur des connaissances factuelles.
A1.3 Niveau 1
En arithmétique, les élèves sont capables d’effectuer les quatre opérations de base face à des
questions impliquant des nombres entiers et pouvant nécessiter un calcul écrit avec retenue,
posé sous cette forme ou non. Pour répondre à la question « La soustraction » prise en exemple
dans le tableau A3.2 pour illustrer ce niveau, les élèves doivent trouver le résultat d’une
soustraction avec retenue au-dessus de la centaine déjà posée. Cette question est classée dans
le sous-domaine de contenu « numération » et dans le processus cognitif « connaître » puisque
les élèves sont sollicités sur une démarche considérée comme basique et acquise pour des élèves
en fin de scolarité primaire.
En mesure, les élèves sont en mesure de reconnaître les unités de mesure de base. Pour répondre
à la question « Apprécier les unités de longueur » prise en exemple dans le tableau A3.2 pour
illustrer ce niveau, les élèves doivent trouver l’unité de mesure qui correspond à la longueur
parmi le kilogramme, le litre et l’heure. Cette question est classée dans le sous-domaine de
contenu « mesure » et dans le processus cognitif « connaître ».
En géométrie, les élèves sont capables de se repérer dans l’espace en identifiant des directions
et des positions et en lisant des coordonnées dans un graphique. Pour répondre à la question «
IV
Les coordonnées des points » prise en exemple dans le tableau A3.2 pour illustrer ce niveau,
les élèves doivent trouver la position d’un cercle dans un graphique quadrillé en définissant ses
coordonnées en abscisse de A à G et en ordonnée de 1 à 5. Cette question est classée dans le
sous domaine de contenu « géométrie » et dans le processus cognitif « connaître ».
A1.4 Sous le niveau 1
Les élèves qui se situent à ce niveau ne manifestent pas les compétences mesurées par ce test
en langue d’enseignement. Ces élèves sont en difficulté quant aux connaissances et
compétences du niveau 1.
A1.5 Exemples d’items de mathématiques
V
Niveau 2
VI
VII
Annexe B: Statistiques descriptives
B1) Variables individuelles et familiales
Recodadage de la variable Âge

RECODE Age_enseig (21 thru 30=1) (31 thru 40=2) (41 thru 50=3) (51 thru
60=4) INTO AGE_rec.
VARIABLE LABELS AGE_rec 'Age recodé'.
EXECUTE.
FREQUENCIES VARIABLES=AGE_rec
/STATISTICS=STDDEV MEAN
/HISTOGRAM
/ORDER=ANALYSIS.
VIII
“VARIABLE SEXE”
“VARIABLE MANQUE DE MOTIVATION”
Variables répétiteur et document pédagogique
IX
B2)VARIABLES DU CONTEXTE SCOLAIRE
GET DATA /TYPE=TXT

/FILE="C:\Users\hp\Desktop\memoire\DONNEES3\BASES\FORMATION R\SPSS.SAV"
/DELCASE=LINE
/DELIMITERS="\t;"
/QUALIFIER='"'
/ARRANGEMENT=DELIMITED
/FIRSTCASE=2
/DATATYPEMIN PERCENTAGE=95.0
/VARIABLES=
ID_STRATE AUTO
Sexe_enseig AUTO
Age_enseig AUTO
Niv_academ_enseig AUTO
Dipl_profess_enseig AUTO
Statu_enseig AUTO
Exp_profess_enseig AUTO
Salaire_enseig AUTO
Motiv_élèv AUTO
Motiv_enseig AUTO
Eff_pletho AUTO
INDICE_RESSO_PEDA_MT AUTO
INDICE_PERCEPT_MT AUTO
INDICE_AVANTAGES_MT AUTO
INDICE_RESSO_PEDA_ECOL AUTO
INDICE_INFRASTRUCTURES AUTO
/MAP.
RESTORE.
DATASET NAME Jeu_de_données4 WINDOW=FRONT.
FREQUENCIES VARIABLES=INDICE_RESSO_PEDA_MT
/BARCHART FREQ
/ORDER=ANALYSIS.
RECODIFICATION DE L’indice de resource pédagogique de la classe
RECODE INDICE_RESSO_PEDA_MT (41 thru 50=1) (51 thru 60=2) (61 thru 70=3)
(71 thru 80=4) INTO
INDICE_RESS_PEDA_CLAS_REC.
VARIABLE LABELS INDICE_RESS_PEDA_CLAS_REC 'Ressource pédagogiique des
classesrecodé'.
EXECUTE.
X
FREQUENCIES VARIABLES=INDICE_RESS_PEDA_CLAS_REC
/BARCHART FREQ
/ORDER=ANALYSIS.
DIPLOME ACADEMIQUE
FREQUENCIES VARIABLES=Niv_academ_enseig
/BARCHART FREQ
/ORDER=ANALYSIS.
FREQUENCIES VARIABLES=Statu_enseig
/BARCHART FREQ
/ORDER=ANALYSIS.
RECODE Exp_profess_enseig (0 thru 5=1) (6 thru 10=2) (11 thru 20=3) (21
thru 30=4) (31 thru
Highest=5) INTO Exp_profess_enseig_rec.
VARIABLE LABELS Exp_profess_enseig_rec 'expérience professionnelle
récodée'.
EXECUTE.
FREQUENCIES VARIABLES=Exp_profess_enseig_rec
/PIECHART FREQ
/ORDER=ANALYSIS.
FREQUENCIES VARIABLES=Exp_profess_enseig_rec
/PIECHART FREQ
/ORDER=ANALYSIS.
MOTIVATION DE LA FAMILLE
XI
EFFECTIF PLETHORIQUE
INDICE RESSOURCES PEDAGOGIQUES CLASSE
XII
VARIABLE ENSEIGNANT
XIII
XIV
XV
INDICE DE PERCEPTION DES AVANTAGES SOCIAUX PAR LES MAITRES
XVI
INDICE DE PERCEPTION PAR LES MAITRES DES CONDITIONS DE TRAVAIL
XVII
ANNEXE C: Modèles multiniveaux
XVIII
XIX
XX
Estimation sans certaines variables
XXI
XXII
(Modèle 1)
XXIII
XXIV
(Modèle 2)
XXV
XXVI
XXVII
(Modèle 3)
XXVIII
XXIX
XXX
XXXI
TABLE DES MATIERES
DEDICACES ......................................................................................................................................... 1
REMERCI MENTS ............................................................................................................................... i
SIGLES ET ABBREVIATIONS ...........................................................................................................ii
LISTE DES TABLEAUX ......................................................................................................................v
RESUME ............................................................................................................................................... vii
SOMMAIRE ........................................................................................................................................ viii
INTRODUCTION GENERALE .......................................................................................................... 1
1. Contexte de la recherche ............................................................................................................... 1
2. Revue de littérature ....................................................................................................................... 2
3. Objectifs de la recherche............................................................................................................... 4
4. Intérêt de la recherche .................................................................................................................. 4
5. Plan de la recherche ...................................................................................................................... 5
PREMIERE PARTIE: APERÇU GENERAL DU BENIN A TRAVERS SON

SYSTEME EDUCATIF ET PRESENTATION DES MODELES LINEAIRES
HIERARCHIQUES (HLM).................................................................................................................... 7
CHAPITRE 1 : LE BENIN ET SON SYSTEME EDUCATIF ......................................................... 8
1.1 Introduction ....................................................................................................................................... 8
1.2 Présentation politique et géographique du Benin........................................................................... 8
1.3 Le climat et l’hydrographie .............................................................................................................. 9
1.4 La situation économique ................................................................................................................. 10
1.5 Présentation du système éducatif Béninois ................................................................................... 11
1.5.1 L’organisation institutionnelle ................................................................................................. 11
1.5.2 L’enseignement du premier degré ........................................................................................... 11
1.5.3 L’enseignement maternel ......................................................................................................... 12
1.5.4 L’enseignement primaire ......................................................................................................... 12
1.5.5 Les politiques et stratégies nationales d’éducation ................................................................ 12
1.5.6 La décentralisation dans l’éducation....................................................................................... 14
1.5.7 Le secteur privé ......................................................................................................................... 15
XXXII
1.6 Quelques statistiques ....................................................................................................................... 15
1.7 Ressources allouées au secteur de l’éducation .............................................................................. 18
1.7.1 Les ressources financières allouées au secteur et sous-secteurs de l’éducation

....................................................................................................................................................... 18
1.7.2 Les ressources humaines du sous-secteur des enseignements maternel et

primaire ........................................................................................................................................ 20
1.8 Conclusion ........................................................................................................................................ 21
CHAPITRE 2 : PRINCIPES ET ILLUSTRATION DES MODELES LINEAIRES

HIERARCHIQUES (HLM) ............................................................................................................... 22
2.1 Introduction ....................................................................................................................................... 22
2.2 Recherches multiniveaux ................................................................................................................... 22
2.3 Problèmes rencontrés dans la structure des données ...................................................................... 24
2.4 Logique des HLM................................................................................................................................ 26
2.5 Estimation des effets aléatoires et des effets fixes dans les HLM ..................................................... 29
2.6 Taille des échantillons ........................................................................................................................ 32
2.7 Décisions à prendre lors de la réalisation d’un HLM ......................................................................... 32
2.7.1 Spécification des modèles ......................................................................................................... 32
2.7.2 Centrage des variables indépendantes .................................................................................... 33
2.7.3 Estimation des paramètres ....................................................................................................... 35
2.7.4 Logiciel utilisé ......................................................................................................................... 36
2.8 Lecture des résultats : tests statistiques............................................................................................ 36
2.9 Conclusion .......................................................................................................................................... 36
DEUXIEME PARTIE: PRESENTATION: ...................................................................................... 37
 DU PASEC ET DE LA BASE DES DONNEES PASEC 2014 ................................................ 37
 DES RESULTATS, INTERPRETATIONS, DISCUSSIONS ................................................. 37
CHAPITRE 3 : BASE DES DONNEES DE LA RECHERCHE (PASEC2014) ............................ 38
3.1 Introduction ....................................................................................................................................... 38
3.2 Présentation du PASEC ...................................................................................................................... 38
3.3 Structure de la base de données ....................................................................................................... 39
XXXIII
3.3.1 Architecture globale de la base de données ............................................................................. 39
3.3.2 Outils de collecte des données .................................................................................................. 39
3.3.3 Les fiches de suivi ....................................................................................................................... 39
3.3.4 Les livrets .................................................................................................................................... 40
3.3.5 Les questionnaires ..................................................................................................................... 40
3.4 Variables des bases de données de 6ème année ............................................................................. 40
3.4.1 Identifiants ................................................................................................................................. 40
3.4.2 Scores des élèves : les valeurs plausibles en mathématiques .................................................. 41
3.4.3 Items des tests ........................................................................................................................... 42
3.4.4 Les variables contextuelles ........................................................................................................ 42
3.4.5 Les variables dérivées ................................................................................................................ 42
3.5 Choix des variables du modèle ......................................................................................................... 44
3.5.1 Variables individuelles des élèves ............................................................................................ 44
3.5.2 Environnement familial des élèves .......................................................................................... 45
3.5.3 Variables de contexte scolaire .................................................................................................. 46
3.5.4 Variable endogène..................................................................................................................... 47
CHAPITRE 4 : PRESENTATION, INTERPRETATION ET DISCUSSION DES

RESULTATS ....................................................................................................................................... 49
4.1 Introduction ....................................................................................................................................... 49
4.2 Statistiques descriptives .................................................................................................................... 49
4.2.1 Variables liées à l’élève ............................................................................................................. 49
4.2.2 Environnement familial des élèves .......................................................................................... 51
4.2.3 Variables du contexte scolaire ................................................................................................. 53
4.2.3.1 Les classes de l’échantillon .................................................................................................... 53
4.2.3.2 Ressources pédagogiques de la classe ................................................................................... 54
4.2.4. Les variables liées aux enseignants des classes enquêtées .................................................... 54
4.2.4.1 Variable genre de l’enseignant ............................................................................................. 54
4.2.4.2 Âge des enseignants ............................................................................................................... 55
4.2.4.3 Niveau académique des enseignants ..................................................................................... 56
XXXIV
4.2.4.4 Diplôme professionnelle des enseignants ............................................................................. 57
4.2.4.5 Statut des enseignants ............................................................................................................ 58
4.2.4.6 Expérience professionnelle des enseignants ......................................................................... 58
4.2.4.7 Variable « manque de motivation des enseignants » .......................................................... 58
4.2.5 Ressources pédagogiques de l’école ......................................................................................... 59
4.2.6 Indice des infrastructures......................................................................................................... 60
4.2.7 Indice de perception (par le maitre) des avantages sociaux .................................................. 61
4.2.7 Indice de perception (par le maitre) des conditions de travail.............................................. 61
4.2.8 Les scores en Mathématiques .................................................................................................. 62
4.3 Estimations des modèles multiniveaux et analyse des Résultats ...................................................... 62
4.3.1 Analyse de variance (étape 1) ............................................................................................. 63
4.3.2.1 Estimation des effets fixes ............................................................................................... 64
4.3.2.2 Estimation des effets aléatoires ...................................................................................... 66
4.3.3 Modèles avec les variables explicatives liées aux niveaux 1 et 2 (étape 3) ...................... 67
4.3.3.1 Insertion des variables du niveau 2 dans 𝜷𝟎𝒋 seul .............................................................. 67
4.3.3.2 Insertion des variables du niveau 2 dans 𝜷𝐤𝒋 ..................................................................... 68
4.3.3.3 Insertion des variables du niveau 2 dans 𝜷𝟎𝒋 et 𝜷𝐤𝒋 .......................................................... 70
4.4 Interprétations et discussions des résultats du modèle estimé ........................................................ 73
4.5 Conclusion .......................................................................................................................................... 76
CONCLUSION GENERALE............................................................................................................. 78
REFERENCES BIBLIOGRAPHIQUES .......................................................................................... 80
ANNEXES ............................................................................................................................................... I
TABLE DES MATIERES .............................................................................................................. XXXII
XXXV

Thèse de Doctorat de HALIDOU MOUSSA Issoufou - Docx-2

Transféré par

Droits d'auteur :

Formats disponibles

Thèse de Doctorat de HALIDOU MOUSSA Issoufou - Docx-2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Thèse de Doctorat de HALIDOU MOUSSA Issoufou - Docx-2

Transféré par

Droits d'auteur :

Formats disponibles

BERCHAM INTERNATIONAL UNIVERSITY (BIU) : ESPAGNE

FACULTES DES ENTREPRISES & COMMUNICATION

DEPARTEMENT- SCIENCES FINANCIERES

Réalisé par : HALIDOU MOUSSA Issoufou

Spécialité : Doctor PhD in Econometrics

P Performance scolaire en Mathématiques au Benin : Une

Date : Vendredi 22 Juillet 2022

Issoufou HALIDOU MOUSSA

A ma famille, mes proches et à ceux qui me donnent de l’amour et de la

A tous mes enfants : Oumaïri, Houzéfi, Ziyadath, Chabiib et Hamdaane. Que

personnes à qui je voudrais témoigner toute ma gratitude.

 Je voudrais tout d’abord adresser toute ma reconnaissance à toute l’équipe

de Bercham International University (BIU) pour leur franche collaboration et

leur disponibilité sans faille à répondre à toutes mes préoccupations sans

accompagnement pédagogiques, admirables, prompts et efficients.

 Je tiens à remercier spécialement toute l’équipe du Programme d’Analyse

des Systèmes Educatifs de la Conférence des ministres de l’éducation des Etats et

gouvernements de la francophonie (PASEC) qui n’ont ménagé aucun effort pour

me fournir toutes les données nécessaires à la réalisation de cette thèse de

doctorat et plus particulièrement à Monsieur Basile TANKEU qui m’a

directement envoyé ces données téléchargeables depuis Dakar au Sénégal.

 Je voudrais exprimer ma reconnaissance envers les amis et collègues qui

m’ont apporté leur soutien moral et intellectuel tout au long de ma démarche

PhD: Doctor of Philosophy

PASEC: Programme d’Analyse des Systèmes Educatifs de la Conférence des

ministres de l’éducation des Etats et gouvernements de la francophonie

OCDE: Organisation de Coopération et de Développement Economiques

HLM: Modèle Linéaire Hiérarchique

PIB: Programme Intérieur Brut

CE1: Cours Elémentaire première année

CE2: Cours Elémentaire Deuxième année/

CM1 : Cours Moyen première année

CM2 : Cours Moyen Deuxième année

APC: Approche Par les Compétences

EPFI: Ecole Professionnelle Privée de Formation d’Instituteurs

PDDSE : plan Décennal de Développement du Secteur de l’Education

SCRP : Stratégie de Croissance pour la Réduction de la Pauvreté

CEP : Certificat d’Etude Primaire

MCAAT : Ministère de la Culture, de l’Artisanat, de l’Alphabétisation et du

MESTFP : Ministère des Enseignements Secondaire, Technique et de le

GSM: Global System for Mobile communications

BTP: Bâtiment et Travaux Publics

USD: United States Dollar

CFA: Communauté Financière Africaine

PAN/EPT: Plan d’Action National en faveur de l’Education Pour Tous

IEA : Association Internationale pour l’évaluation du rendement scolaire

PISA : Programme Internationale pour le Suivi des Acquis des élèves

Figures Titres Pages

20 Statistique de la variable « Manque d'intérêt de la famille pour les études 53

21 Indice des ressources pédagogiques des classes regroupées 54

REMERCI MENTS ............................................................................................................................... i

SIGLES ET ABBREVIATIONS ...........................................................................................................ii

LISTE DES TABLEAUX ......................................................................................................................v

RESUME ............................................................................................................................................... vii

SOMMAIRE ........................................................................................................................................ viii

INTRODUCTION GENERALE .......................................................................................................... 1

1. Contexte de la recherche ............................................................................................................... 1

2. Revue de littérature ....................................................................................................................... 2

4. Intérêt de la recherche .................................................................................................................. 4